Cytokine screening identifies TNF to potentially enhance immunogenicity of pediatric sarcomas
Notice bibliographique
Résumé
Introduction Pediatric sarcomas, including osteosarcoma (OS), Ewing sarcoma (EwS) and rhabdomyosarcoma (RMS) carry low somatic mutational burden and low MHC-I expression, posing a challenge for T cell therapies. Our previous study showed that mediators of monocyte maturation sensitized the EwS cell line A673 to lysis by HLA-A*02:01/CHM1319-specific allorestricted T cell receptor (TCR) transgenic CD8+ T cells (CHM1319 CD8+ T cells). Methods In this study, we tested a panel of monocyte maturation cytokines for their ability to upregulate immunogenic cell surface markers on OS, EwS and RMS cell lines, using flow cytometry. xCELLigence, SRB and ELISpot assays were used to assess whether TNF pretreatment increases CD8+ T cell cytotoxicity. Results We observed that TNF and IL-1β upregulated MHC class I, ICAM-1 as well as CD83 and PD-L1 on the surface of pediatric sarcoma cell lines, while IL-4, GM-CSF, IL-6 and PGE2 failed to induce respective effects. Although pretreatment of pediatric sarcoma cell lines with TNF did not improve unspecific peripheral blood mononuclear cells (PBMCs) cytotoxicity, TNF enhanced specific lysis of 1/3 HLA-A2+ EwS cell lines by CHM1319 CD8+ T cells depending on MHC-I expression and ICAM-1 upregulation. Discussion Our study supports utilization of TNF or TNF-inducing regimens for upregulation of MHC-I and costimulatory surface molecules on pediatric sarcoma cells and for enhancing recognition of responsive HLA-A2+ EwS tumor cells by antigen-specific CD8+ T cells.
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) | 0,001 | 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 ».