In situ and dynamic screening of extracellular vesicles as predictive biomarkers in immune-checkpoint inhibitor therapies
Notice bibliographique
Résumé
Extracellular vesicles (EVs) is promising in predicting the efficacy of immune checkpoint inhibitor (ICI) therapies. But it is challenging to determine the level of circulating EVs due to their variations in spatial and temporal distribution. To address this, we developed an in situ EV detection platform integrating multiplex EV capture with microfluidic-generated immune-tumor spheroids. This platform enables in situ monitoring of EV secretion dynamics under ICI and chemotherapeutic treatments, capturing localized and temporal changes in EV release. Using predictive models, we identified EVs carrying programmed cell death ligand 1 (PD-L1) as the most robust predictors of spheroid viability during treatment. RNA sequencing further revealed that dynamic EV expression changes are driven by gene transcription, providing a temporal understanding of EV regulation. Our platform overcomes the limitations of traditional methods by offering a physiologically relevant system to study EV-mediated immune responses. By addressing the spatial and temporal heterogeneity of EVs, this work advances EV-based biomarker discovery and provides a foundation for optimizing personalized immunotherapies. 1. In situ EV platform monitors dynamic secretion in tumor spheroids. 2. PD-L1 + EVs best predict ICI outcomes, driven by gene transcription. 3. This work integrates machine learning and RNA-seq for biomarker discovery.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 tête enseignante, 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 ».