Advancing CAR-based cell therapies for solid tumours: challenges, therapeutic strategies, and perspectives
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Chimeric antigen receptor-cell therapies have demonstrated remarkable success in haematological malignancies but face significant hurdles in solid tumours. The hostile tumour microenvironment, antigen heterogeneity, limited tumour infiltration, and CAR-cell exhaustion contribute to reduced efficacy. Additionally, toxicity, off-target effects, and manufacturing challenges limit widespread clinical adoption. Overcoming these barriers requires a multifaceted approach that enhances CAR-cell persistence, trafficking, and tumour-specific targeting. Recent advancements in alternative cellular therapies, such as CAR-natural killer cells, CAR-macrophages, gamma delta CAR-T cells, and CAR-natural killer T cells, provide promising avenues for improving efficacy. These strategies leverage distinct immune cell properties to enhance tumour recognition and persistence. Furthermore, combination therapies, including chemotherapy, radiotherapy, antibodies, small molecule inhibitors, cancer vaccines, oncolytic viruses, and multi-CAR cell combination therapy, offer synergistic potential by modulating the TME and improving CAR-cell functionality. This review explores the challenges of CAR-based cellular therapies in solid tumours and highlights emerging strategies to overcome therapeutic limitations. By integrating novel cellular platforms and combination approaches, we seek to provide insights into optimising CAR-cell therapies for durable responses in solid malignancies.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 découle