Enhancing activity of FcαRI-bispecific antibodies using glycoengineering
Notice bibliographique
Résumé
Macrophages and natural killer (NK) cells can effectively kill tumor cells in the presence of anti-cancer IgG monoclonal antibodies (mAbs), but neutrophils are less effective. We previously showed that IgG1 bispecific antibodies (BsAb), which target the IgA Fc receptor (FcαRI, CD89) and a tumor associated antigen induce effective neutrophil recruitment and tumor cell killing in vivo. Here we investigated if the efficacy of an anti-EGFR (CetuximAb)/FcαRI-bispecific antibody could be further improved by implementing glycoengineering of the IgG-Fc, aimed at increasing FcγRIIIa/b binding and/or complement activity. Fc afucosylation was introduced to enhance antibody-dependent cellular cytotoxicity (ADCC) by FcγRIIIa on NK/macrophages, which can also reduce neutrophil-mediated ADCC through their GPI-linked FcγRIIIb. Fc galactylation was found to enhance antibody hexamerization and thereby complement dependent cytotoxicity (CDC). Low fucosylated BsAbs moderately increased NK cell-mediated tumor cell killing, but did not affect neutrophil-mediated tumor cell killing nor phagocytosis by macrophages. Glycoengineering of these EGFR-specific BsAb, which normally are devoid of CDC-activity, did not enable their complement activities. In conclusion, glycoengineered FcαRI BsAbs increased ADCC by NK cells but had little effect on neutrophil or macrophage mediated tumor killing.
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) | 0,001 | 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 ».