Broadly reactive anti-VHH antibodies for characterizing, blocking, or activating nanobody-based CAR-T cells
Notice bibliographique
Résumé
Background: Production of chimeric antigen receptor T cell (CAR-T) therapies depends on antibody reagents to label, isolate, and expand T cell products. We sought to create antibody tools specific for the variable domain of heavy-chain only antibodies (VHHs), also known as nanobodies, used in some CARs. Methods: We immunized a mouse with VHH and selected two murine monoclonal antibodies (mAbs) that bind to distinct epitopes in conserved framework regions of llama-derived VHHs, and not to human VH domains. Anti-VHH mAbs were characterized by enzyme-linked immunosorbent assay, surface plasmon resonance, and hydrogen-deuterium exchange mass spectrometry; were then tested for cell/tissue labeling and for modulating cellular activity in VHH-CAR-T cells. Results: We produced a high-quality dual-clonal anti-VHH antibody product and confirmed reactivity to over 98% of VHH proteins regardless of their antigenic specificity, with no reactivity to human or mouse IgG and reduced reactivity to conventional llama or alpaca IgG. Anti-VHH binding did not disrupt VHH/antigen interaction, and thus was appropriate for secondary labeling to assess cellular or tissue reactivity of VHH molecules. Despite not interfering with antigen binding, anti-VHH antibodies (Abs) potently blocked VHH-CAR-T activation and cytolytic killing of target cells. When immobilized, anti-VHH Abs induced strong activation and expansion of VHH CAR-T cells; with 730-fold mean expansion, >94% CAR purity, and retained CD8/CD4 heterogeneity. Functionally, anti-VHH antibody-expanded CAR-T cells maintained strong antigen-specific activity without functional exhaustion. Conclusions: Overall, these data identify useful anti-VHH mAbs that can be applied to better understand and manipulate VHH-based CAR-T cells or other VHH-based immunotherapies.
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 | 0,001 | 0,001 |
| 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 ».