Can Engineering IL-2Rα Expression Improve NK Cell Immunotherapy?
Notice bibliographique
Résumé
Abstract Natural killer (NK) cells are innate lymphocytes central to anti-viral and anti-tumour responses. Activated NK cells upregulate IL-2Rα, promoting the formation of a high-affinity heterotrimeric IL-2Rαβγ that mediates NK cell expansion and enhances cytotoxicity. Several applications of NK cancer immunotherapy, including using chimeric antigen receptors (CAR), have shown early success in clinical studies. Allogeneic NK cells can illicit anti-tumour activity without toxicities, making them attractive for a biomanufactured “off-the-shelf” immunotherapy. Following adoptive transfer, low-dose IL-2 injections are commonly administered to enhance NK cell activity. However, expansion, persistence, and tumour clearance remain largely inadequate. Moreover, regulatory T cells (Tregs) can use their IL-2Rα expression to sequester injected IL-2, leading to Treg expansion and NK cell suppression. We hypothesize that CAR NK cell therapy can be improved by engineering high expression of IL-2Rα alongside the CAR. We predict the resulting CAR-IL2Rα NK cells will be more sensitive to low-dose IL-2 injections. We used lentiviral transduction of a multicistronic transgene to force high IL-2Rα expression alongside a CAR. I found CAR-IL2Rα NK cells were more responsive to low-dose IL-2 in-vitro than conventional CAR NK cells. This novel strategy may improve clinical success by enhancing CAR NK cell expansion, persistence and anti-tumour activity, and limiting Treg suppression in the tumour microenvironment. NRC Disruptive Technology Solutions Cell and Gene Therapy Challenge Program and the Canadian Institutes of Health Research
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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».