Cancer-induced nerve injury promotes resistance to anti-PD-1 therapy
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
Perineural invasion (PNI) is a well-established factor of poor prognosis in multiple cancer types1, yet its mechanism remains unclear. Here we provide clinical and mechanistic insights into the role of PNI and cancer-induced nerve injury (CINI) in resistance to anti-PD-1 therapy. Our study demonstrates that PNI and CINI of tumour-associated nerves are associated with poor response to anti-PD-1 therapy among patients with cutaneous squamous cell carcinoma, melanoma and gastric cancer. Electron microscopy and electrical conduction analyses reveal that cancer cells degrade the nerve fibre myelin sheets. The injured neurons respond by autonomously initiating IL-6- and type I interferon-mediated inflammation to promote nerve healing and regeneration. As the tumour grows, the CINI burden increases, and its associated inflammation becomes chronic and skews the general immune tone within the tumour microenvironment into a suppressive and exhaustive state. The CINI-driven anti-PD-1 resistance can be reversed by targeting multiple steps in the CINI signalling process: denervating the tumour, conditional knockout of the transcription factor mediating the injury signal within neurons (Atf3), knockout of interferon-α receptor signalling (Ifnar1−/−) or by combining anti-PD-1 and anti-IL-6-receptor blockade. Our findings demonstrate the direct immunoregulatory roles of CINI and its therapeutic potential. Perineural invasion and cancer-induced nerve injury of tumour-associated nerves are associated with poor response to anti-PD-1 therapy, which can be reversed by combining anti-PD-1 therapy with anti-inflammatory interventions.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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