CRISPR/Cas9 Applications in T Cell Modifications for Tumor Immunotherapy
Notice bibliographique
Résumé
Cancer is a serious global health issue that has a high fatality rate. Therefore, immunotherapy as a promising tumor therapy has long-term, specific targets, et.al, benefits. The powerful gene editing tool CRISPR/Cas9 is commonly used for tumor immunotherapy in modifying immune cells such as T cells. The T cell modification research primarily focused on antigen editing, checkpoint knockout, and cytokine regulation to enhance cell targeting and immune functions. However, current studies justified the T cell immunotherapy feasibility for treating cancer, but the underlying mechanism in CAR and TCR and T cell function regulation is still not clear. This article concentrated on analyzing the CRISPR/Cas9 applications for editing T cell mechanisms for tumor cell targeting. For example, design new CARs or TCRs for either directly or indirectly bound to the tumor cell surface to target tumor cells and activate T cells. Also, analyzed tumor escape-related immune checkpoints (ICs) and the T cell function improvement method of cytokine regulations. Furthermore, this article also summarizes the drawbacks and possible improvement methods for T cell modification in tumor immunotherapy. This article provided the basic understanding and concepts of research and development for T cell immunotherapy for tumor treatment by CRISPR/Cas9 editing. However, the underlying mechanisms and more editing target genes for T cell enhancing need to be studied and discovered in further research to achieve a complete and thorough cure for cancers.
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 | 0,001 | 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 | 0,002 |
| 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 ».