MétaCan
Menu
← Retour à la cohorte
Enregistrement W4415899043 · doi:10.1136/jitc-2025-sitc2025.0982

982 Targeting glycans for cancer immunotherapy

2025· article· W4415899043 sur OpenAlexaff
Jessica C. Stark, Itziar Ibarlucea-Benitez, Marta Lustig, Annalise Bond, B. Cho, Ishika Govil, Kirsten Auclair, Megan Priestley, Tim S. Veth, Wesley J. Errington, Bence Bruncsics, Mikaela K. Ribi, Casim A. Sarkar, Simon Wisnovsky, Nicholas M. Riley, Meghan A. Morrissey, Thomas Valerius, Jeffrey V. Ravetch, Carolyn R. Bertozzi

Notice bibliographique

RevueRegular and Young Investigator Award Abstracts · 2025
Typearticle
Langue
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueGlycosylation and Glycoproteins Research
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésnon disponible

Résumé

récupéré en direct d'OpenAlex

Background Despite the curative potential of checkpoint blockade immunotherapy, a majority of patients remain unresponsive to existing treatments. Glyco-immune checkpoints – interactions of cell-surface glycans with lectin, or glycan binding, immunoreceptors – have emerged as prominent mechanisms of immune evasion and therapeutic resistance in cancer.Methods Here, we describe antibody-lectin chimeras (AbLecs), a modular platform for glyco-immune checkpoint blockade. AbLecs are bispecific antibody-like molecules comprising a tumor-targeting arm as well as a lectin ‘decoy receptor’ domain that directly binds tumor glycans and blocks their ability to engage lectin receptors on immune cells ( figure 1).Results We demonstrate proof-of-concept for the AbLec platform through the development and characterization of AbLecs combining tumor-targeting antibodies with decoy receptor domains from Siglecs-7 and -9, which have been shown to mediate immune suppression in multiple cancers. We show that tumor-targeting AbLecs enhance antibody-dependent phagocytosis and cytotoxicity of cancer cells in vitro and reduced tumor burden in vivo compared to the parent monoclonal antibody. Unexpectedly, we found that the chimeric AbLec architecture results in a gain-of-function arising from their ability to block Siglec engagement at the immunological synapse. As a result, AbLecs amplify inflammatory signaling, outperforming most existing therapies and combinations in functional assays. We demonstrate that the AbLec platform can be applied to target diverse tumor-associated antigens, including HER2, CD20, and EGFR, and cancer cells with varying levels of antigen expression. Further, we designed and validated dual blockade AbLecs that simultaneously block protein-based immune checkpoints (e.g., PD-1/PD-L1, CD47/SIRPα) as well as glyco-immune checkpoints that restrain productive anticancer immune responses (e.g., Siglec-7, galectin-9). We found that glyco-immune checkpoint blockade was synergistic with blockade of these established checkpoints.Conclusions Our results indicate that AbLecs target a non-redundant axis of immune suppression in cancer and could expand the subset of patients who respond to immunotherapy. In sum, AbLecs represent a generalizable approach for glyco-immune checkpoint blockade and a new modality for cancer immunotherapy.Abstract 982 Figure 1Antibody-lectin chimeras (AbLecs) for glyco-immune checkpoint blockade. AbLecs simultaneously engage Fc receptors and block recruitment of lectin checkpoint receptors (e.g., Siglecs) to the immunological synapse. As a result, AbLecs enhanced antitumor immune responses in vitro and in vivo compared to the parent antibody

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,053

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0160,005

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,299
Écart entre enseignants0,286 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentnon

Explorer davantage

Même revueRegular and Young Investigator Award Abstracts→Même sujetGlycosylation and Glycoproteins Research→Travaux en français237 207→