Advancements in CAR-NK therapy: lessons to be learned from CAR-T therapy
Notice bibliographique
Résumé
Advancements in chimeric antigen receptor engineered T-cell (CAR-T) therapy have revolutionized treatment for several cancer types over the past decade. Despite this success, obstacles including the high price tag, manufacturing complexity, and treatment-associated toxicities have limited the broad application of this therapy. Chimeric antigen receptor engineered natural killer cell (CAR-NK) therapy offers a potential opportunity for a simpler and more affordable "off-the-shelf" treatment, likely with fewer toxicities. Unlike CAR-T, CAR-NK therapies are still in early development, with few clinical trials yet reported. Given the challenges experienced through the development of CAR-T therapies, this review explores what lessons we can apply to build better CAR-NK therapies. In particular, we explore the importance of optimizing the immunochemical properties of the CAR construct, understanding factors leading to cell product persistence, enhancing trafficking of transferred cells to the tumor, ensuring the metabolic fitness of the transferred product, and strategies to avoid tumor escape through antigen loss. We also review trogocytosis, an important emerging challenge that likely equally applies to CAR-T and CAR-NK cells. Finally, we discuss how these limitations are already being addressed in CAR-NK therapies, and what future directions may be possible.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 tête enseignante, 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 ».