Reshaping the tumor microenvironment by degrading glycoimmune checkpoints Siglec-7 and -9
Notice bibliographique
Résumé
Cancer treatment has been rapidly transformed by the development of immune checkpoint inhibitors targeting CTLA-4 and PD-1/PD-L1. However, many patients fail to respond, especially those with an immunosuppressive tumor microenvironment (TME), suggesting the existence of additional immune checkpoints that act through orthogonal mechanisms. Sialic acid-binding immunoglobulin-like lectin (Siglec)-7 and -9 are newly designated glycoimmune checkpoints that are abundantly expressed by tumor-infiltrating myeloid cells. We discovered that T cells express only basal levels of Siglec transcripts; instead, they acquire Siglec-7 and -9 from interacting myeloid cells in the TME via trogocytosis, which impairs their activation and effector function. Mechanistically, Siglec-7 and -9 suppress T cell activity by dephosphorylating T cell receptor (TCR)-related signaling cascades. Using sulfur fluoride exchange (SuFEx) click chemistry, we developed a ligand that binds to Siglec-7 and -9 with high-affinity and exclusive specificity. Using this ligand, we constructed a Siglec-7/9 degrader that targets membrane Siglec-7 and -9 to the lysosome for degradation. Administration of this degrader induced efficient Siglec degradation in both T cells and myeloid cells in the TME. We found that Siglec-7/9 degradation has a negligible effect on macrophage phagocytosis, but significantly enhances T cell anti-tumor immunity. The degrader, particularly when combined with anti-CTLA-4, enhanced macrophage antigen presentation, reshaped the TME, and resulted in long-lasting T cell memory and excellent tumor control in multiple murine tumor models. These findings underscore the need to consider exogenous checkpoints acquired by T cells in the TME when selecting specific checkpoint blockade therapy to enhance T cell immunity.
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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».