Exploitation du potentiel thérapeutique des cellules Natural Killer pour traiter les cancers
Bibliographic record
Abstract
Malgré le succès de l’utilisation des lymphocytes T modifiées par des récepteur antigéniques chimériques (CAR) contre les leucémies, celles-ci présentent des limites comme leur risque de CRS et leur inefficacité dans les tumeurs solides. Plusieurs autres immunothérapies cellulaires ont été proposées pour pallier à ces inconvénients. Les cellules natural killer (NK) ont plusieurs propriétés qui en font une alternative avantageuse aux cellules T dans les immunothérapies. Cependant, les cellules NK restent difficiles à modifier avec les outils actuels et leur efficacité reste limitée par les mécanismes immunosuppresseurs des tumeurs. Nous avons réussi à augmenter l’efficacité de transduction avec une nouvelle glycoprotéine, le BaEVRless. Nous avons aussi démontré que cette enveloppe ne provoque pas de modification du phénotype ou de l’activité intrinsèque des cellules NK. Dans un modèle de leucémie, nous avons déterminé que l’utilisation du BaEVRless permet la production de cellules CAR-NK fonctionnelles. Les cellules NK peuvent aussi être transduites efficacement par des constructions lentivirales portant les séquences codant pour deux constructions CAR simultanément. Nous avons aussi démontré que l’édition génomique des NK par la technologie Clustered Regularly Interspersed Short Palindromic Repeats (CRISPR) est possible en utilisant une livraison non-virale. Avec cette méthode, nous avons pu réduire l’expression de NKG2A. Les cellules NK avec une expresssion réduite de NKG2A étaient résistantes à l’inhibition par HLA-E, exprimé sur des lignées de cancer du sein et du colon. Cet effet a été confirmé in vivo dans un modèle préclinique xenogénique. Ces résultats montrent deux stratégies qui pourraient permettre d’améliorer les immunothérapies à base de cellules NK.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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".