Assessment of Neutralizing Antibody Activity in Clinical Studies: Use of Surrogate Measurements Instead of Stand-alone Assays
Notice bibliographique
Résumé
Neutralizing antibodies (NAbs) to protein therapeutics have traditionally been assumed to be the most impactful subset of anti-drug-antibodies (ADA). NAbs can block the biotherapeutic from engaging its target impacting efficacy and may also cause serious safety events. Stand-alone NAb assays have been employed to detect neutralizing responses, often with reconfigured versions of other assays. These methods have historically been implemented in registrational trials for all molecules, and in early-stage studies for high risk biotherapeutics. However, data has demonstrated that NAb response and ADA magnitude are highly correlated. Additionally, the use of other markers to identify clinically relevant immunogenicity, such as apparent impact on pharmacokinetics (PK) or pharmacodynamics (PD), has been increasing. This manuscript reviews the available data on clinically meaningful immunogenic responses to biologics and proposes a risk-based strategy to determine if and when to employ a stand-alone NAb assay. For molecules with a high risk of safety consequences of immunogenicity (e.g., biological mimics) a NAb assay is recommended. However, for lower-safety risk molecules a stand-alone NAb assay does not enhance the interpretation of clinical data and is likely not needed. A combination of other assessments including ADA status, magnitude and persistence, PK, and PD (and efficacy) can be used as a surrogate for NAb assay data. Integration of data from all clinical evaluations is recommended by Health Authorities and can provide a more accurate overall assessment of neutralizing activity. This approach identifies clinically impactful downstream readouts of neutralizing activity without the need for a stand-alone NAb assay.
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 | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».