Immune Evasion and Resistance in Cancer Progression: Overcoming Checkpoint Inhibition Challenges with Personalized Immunotherapy Guided by PD-L1 Expression
Notice bibliographique
Résumé
Immune evasion is a hallmark of cancer development and poses an important impediment to the effectiveness of immune checkpoint inhibitors (ICIs). Cancer cells take advantage of heterogeneous intrinsic and extrinsic pathways to circumvent immune detection, such as metabolic remodeling (e.g., increased glycolysis, activation of IDO1), genomic mutation (e.g., JAK/STAT, β-catenin), and epigenetic suppression of immune-regulatory genes. Concurrently, TME promotes immune suppression through Tregs, MDSCs, TAMs, and fibroblast-mediated extracellular matrix remodeling. Hypoxia and cytokine dysregulation also undermine antigen presentation and T-cell functionality. These immunoevasion strategies form the foundation of both native (innate) and adaptive resistance to ICIs, while recent evidence places emphasis on microbiota composition being able to modify therapeutic response. The PD-1/PD-L1 pathway remains the focus of ICI therapy, but PD-L1 expression is limited by spatial, temporal, and technical heterogeneity. Beyond PD-L1, integrated biomarker approaches including tumor mutational burden (TMB), microsatellite instability (MSI), IFN-γ gene signatures, and circulating tumor DNA (ctDNA) have arisen to further inform patient stratification. Emerging therapeutic technologies—e.g., dual checkpoint blockade, engineered cytokines, personalized neoantigen vaccines, and adoptive T cell therapy (CAR-T, TCR-T)—are designed to overcome resistance and maximize clinical efficacy. Integration of multi-omics and AI-based models provides additional precision in the tailoring of immunotherapy. This review integrates existing knowledge of immune escape and resistance, highlighting dynamic biomarker development and combinatorial approaches for next-generation personalized cancer immunotherapy.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».