ImmuniT Platform for Improved Neoantigen Prediction in Lung Cancer
Notice bibliographique
Résumé
BACKGROUND: Lung cancer remains the leading cause of cancer-related mortality, with many patients responding poorly to immunotherapy due to limited tumor recognition. Neoantigen-based strategies offer a promising solution, but current discovery methods often miss key targets, particularly those with low or heterogeneous expression. To address this, we developed ImmuniT, a three-phase platform for enhanced neoantigen discovery and validation. METHODS: Under an IRB-approved protocol, patients with lung cancer consented to tumor collection for ex vivo processing to modulate antigen expression. Autologous T cells from matched blood were co-cultured with treated cancer cells to expand tumor-reactive populations. The nextneopi pipeline integrated mutational, transcriptomic, and HLA data to predict candidate neoantigens, which were validated using MHCepitope tetramer staining. RESULTS: In five patient samples, ImmuniT identified a broader spectrum of neoantigens and induced stronger T cell activation in vitro compared to conventional approaches. Notably, in one case, two neoantigens missed by standard methods were confirmed to elicit tumor-specific T cell responses in both the tumor-infiltrating and peripheral compartments. CONCLUSIONS: These findings highlight ImmuniT's potential to expand the repertoire of actionable tumor antigens and improve personalized immunotherapy strategies, particularly for patients with limited response to existing treatments.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 0,000 |
| 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 ».