Combination of Radioligand Therapy and Immunotherapy: How to Make It Work in Clinic?
Notice bibliographique
Résumé
Rubin Jiao, Ekaterina Dadachova College of Pharmacy and Nutrition, University of Saskatchewan, Saskatoon, SK, CanadaCorrespondence: Ekaterina Dadachova, College of Pharmacy and Nutrition, University of Saskatchewan, 107 Wiggins Road, Health Sciences Bld, Room B18, Saskatoon, SK, S7N 5E5, Canada, Tel +1-306-966-5163, Email ekaterina.dadachova@usask.caAbstract: Combining external beam radiation therapy (EBRT) with immunotherapy showed promise pre-clinically by inducing immunogenic cell death (ICD) thus releasing damage-associated molecular patterns (DAMPs) and cytokines to activate the immune system. Clinical results, however, have often been disappointing. Radioligand therapy (RL), which uses targeted radionuclides to deliver cytotoxic radiation, offers advantages over EBRT by treating multiple tumors simultaneously. Combining RL with immunotherapy faces challenges, as prolonged radiation exposure can damage immune cells, and the “cross-fire” and “bystander” effects may harm incoming effector cells. Current RL therapies require multiple doses, further complicating immune cell viability. To optimize RL-immunotherapy combinations, timing is critical. Administering immunotherapy weeks after RL therapy may reduce radiation-induced immune cell damage. Additionally, selecting radionuclides with shorter half-lives could minimize immune cell toxicity while maintaining tumor-killing efficacy. Future RL therapies should prioritize radionuclides with optimal emission profiles and half-lives to enhance synergy with immunotherapy and improve clinical outcomes.Keywords: immunotherapy, radioligand therapy, combination therapy, clinical outcomes, radiobiology
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 | 0,013 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,007 | 0,011 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,007 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,011 |
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 ».