Identifier et cibler les meilleurs antigènes pour l’immunothérapie du cancer
Bibliographic record
Abstract
Dans un contexte où le transfert adoptif de lymphocytes T (ATC) représente l’avenir de l’immunothérapie du cancer, l’identification des meilleurs antigènes associés aux molécules de classe I du CMH (MAP) à cibler sur les cellules cancéreuses est d’une importance capitale. Plusieurs types de MAP sont des cibles potentielles pour l’ATC : 1) les antigènes mineurs d’histocompatibilité (MiHA) qui dérivent de polymorphismes génétiques entre un donneur et un receveur lors d’un ATC, 2) les antigènes associés aux tumeurs (TAA) qui peuvent dériver de transcrits surexprimés et 3) les antigènes spécifiques aux tumeurs (TSA) qui dérivent de mutations somatiques ou de transcrits exprimés de façon aberrante. Des centaines d’essais cliniques ont mis en évidence un potentiel thérapeutique pour chacune de ces classes de MAP. Néanmoins, les ATC ciblant ces antigènes sont utilisés en contextes largement différents: des lymphocytes T MiHA-spécifiques provenant d’un donneur compatible sont utilisés pour le traitement de cancers hématologiques tandis que des lymphocytes T TAA- ou TSA-spécifiques provenant du patient sont utilisés pour traiter des tumeurs solides. De fait, jamais ces différents types de MAP n’ont été comparés pour leur potentiel thérapeutique dans un même modèle tumoral. L’objectif de cette thèse était donc de mesurer et de comparer le potentiel thérapeutique de MiHA, TAA et TSA exprimés dans la lignée cellulaire EL4 afin de mieux comprendre les mécanismes dictant leur immunogénicité. Nous avons donc sélectionné des MiHA et des TAA rapportés dans la littérature, puis avons développé une approche protéogénomique permettant d’identifier tous les types de TSA présentés sur ces cellules. Nous avons ainsi déterminé que : 1) Seuls les MAP perçus comme du non-soi (MiHA et TSA) peuvent induire de fortes réponses anti-cancéreuses, 2) Leur immunogénicité dépend de l’abondance et de l’avidité fonctionnelle des lymphocytes T antigène-spécifiques et 3) La clonalité des antigènes et la nature de leurs altérations génétique dictent également l’immunogénicité des TSA. En résumé, nous avons développé une plateforme permettant l’identification de MAP présentés par les cellules cancéreuses et identifié des paramètres permettant la priorisation de ceux-ci en contexte clinique.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".