Improving anti-viral T cell therapies by knockout of the NR4A family of transcription factors
Bibliographic record
Abstract
Les infections virales peuvent demeurer latentes pendant plusieurs décennies et se réactiver pendant des périodes d’immunosuppression. Les receveurs de greffes hématopoïétiques sont particulièrement susceptibles compte tenu de l’immunosuppression importante qui est nécessaire pour prévenir le rejet ou la maladie du greffon contre l’hôte, souvent pendant des périodes prolongées. La plupart de ces infections ne peuvent pas être traitées avec des médicaments antiviraux, et lorsque c’est possible, les traitements peuvent amener de la résistance. L’injection de cellules T spécifiques contre les virus provenant de donneurs sains est un traitement efficace pour traiter ces infections virales potentiellement mortelles ou les cancers qu’elles causent. Cependant, la persistance de ces cellules est limitée en partie par la stimulation antigénique chronique qui cause l’épuisement des cellules T. En éliminant les membres de la famille de récepteurs orphelins NR4A, qui favorisent l’épuisement et limitent la différenciation en cellules mémoires durables, notre but est de rendre ces cellules transférées plus persistantes et efficaces. Nos données à ce jour montrent que l’élimination du récepteur NR4A3 n’ altère pas la différenciation mémoire ni la production de cytokines effectrices. Cependant, l’absence de NR4A3tend à amener une diminution le l’expression du marqueur d’épuisement Tim-3, ce qui suggère que l’on peut prévenir l’épuisement et ainsi améliorer les thérapies cellulaires en ciblant les membres de la famille des récepteurs NR4A.
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".