Unlocking the potential of Tregs: innovations in CAR technology
Notice bibliographique
Résumé
Regulatory T cells (Tregs) adoptive immunotherapy is emerging as a viable treatment option for both autoimmune and alloimmune diseases. However, numerous challenges remain, including limitations related to cell number, availability of target-specific cells, stability, purity, homing ability, and safety concerns. To address these challenges, cell engineering strategies have emerged as promising solutions. Indeed, it has become feasible to increase Treg numbers or enhance their stability through Foxp3 overexpression, post-translational modifications, or demethylation of the Treg-specific demethylated region (TSDR). Specificity can be engineered by the addition of chimeric antigen receptors (CARs), with new techniques designed to fine-tune specificity (tandem chimeric antigen receptors, universal chimeric antigen receptors, synNotch chimeric antigen receptors). The introduction of B-cell targeting antibody receptor (BAR) Tregs has paved the way for effective regulation of B cells and plasma cells. In addition, other constructs have emerged to enhance Tregs activation and function, such as optimized chimeric antigen receptors constructs and the use of armour proteins. Chimeric antigen receptor expression can also be better regulated to limit tonic signaling. Furthermore, various opportunities exist for enhancing the homing capabilities of CAR-Tregs to improve therapy outcomes. Many of these genetic modifications have already been explored for conventional CAR-T therapy but need to be further considered for CAR-Tregs therapies. This review highlights innovative CAR-engineering strategies that have the potential to precisely and efficiently manage immune responses in autoimmune diseases and improve transplant outcomes. As these strategies are further explored and optimized, CAR-Treg therapies may emerge as powerful tools for immune intervention.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».