CART-GPT: A T Cell-Informed AI Linguistic Framework for Interpreting Neurotoxicity and Therapeutic Outcomes in CAR-T Therapy
Notice bibliographique
Résumé
Chimeric antigen receptor (CAR) T cell therapy holds transformative potential for hematologic malignancies, yet predicting patient-specific treatment efficacy and neurotoxicity remains a major clinical challenge due to the complex and heterogeneous nature of the infused CAR-T cell populations. Here, we introduce CART-GPT, a transformer-based model fine-tuned on a curated atlas of 1.12 million CAR-T single-cell RNA-seq profiles annotated with clinical outcomes. CART-GPT is the first AI model developed for CAR-T therapy that predicts both treatment response and the risk of immune effector cell-associated neurotoxicity syndrome (ICANS), achieving state-of-the-art performance (AUC ~0.8) and marking a significant advance in the field. The model provides interpretable insights, revealing that neither therapeutic efficacy nor neurotoxicity is driven by individual cell types alone, but by the combined influence of discrete, distinct subsets across diverse T cell states and transcriptional programs. A novel cell aggregation strategy links single-cell predictions to patient-level metrics, enhancing both accuracy and biological relevance. As a contribution to this ever-evolving field, we also release a comprehensive, annotated single-cell CAR-T atlas as a community resource to facilitate future research in immunotherapy. These advances demonstrate the potential of foundation models in single-cell biology to inform precision CAR-T treatment planning and facilitate the rational design of next-generation cell therapies.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».