Chimeric antigen receptors on Regulatory T cells as a treatment strategy in autoimmune diseases
Notice bibliographique
Résumé
Abstract Research question Can CAR-MOG Tregs help curb the neuroinflammation in a MS mouse model? Objectives Methods To test this out, we sorted Tregs from human peripheral blood or murine spleens using T cell enrichment followed by flow-cytometric sorting and amplified using Dynabeads (human CD3/CD28 activator) for Tregs proliferation and stained for Treg markers to ascertain the purity of isolated Tregs. We then constructed a second-generation CAR against MOG monoclonal antibody (8.18 C5) and transduce Tregs and Tconvs to test the transduction efficacy and suppressive function of CAR-Tregs. To test the killing function of CAR-MOG-Tconv and compared this to that of CAR MOG Tregs, we set up a cytotoxicity assay against a cell line modified to express MOG. Additionally we performed suppression assays with control Tregs and CAR transduced Tregs to determine if CAR transduction affects the immunosuppressive capacity of Tregs. Results CAR Tconv and CAR Tregs show specificity against K562 cell line modified to express MOG, CAR Tregs have a lower killing capacity compared to CAR Tconv. CAR Tregs do not lose their immunosuppressive function and are comparable to the untransduced Tregs. CAR Tregs upon co-culture with Target cell line (K562 MOG) express activation markers and increased expression of cytokines such as IL-10, and TGF beta. Supported by Canada Graduate Scholarships Doctoral Award (CGS D)
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».