一个整合多尺度in-silico建模和实验数据的框架预测了跨细胞类型的CD33CAR-NK细胞毒性
Saeed Ahmad1, Kun Xing2,3, Harshana Rajakaruna1
1Steve and Cindy Rasmussen Institute for Genomic Medicine, Abigail Wexner Research Institute, Nationwide Children's Hospital, Columbus, OH.
bioRxiv : the preprint server for biology
|January 13, 2025
概括
我们开发了一个计算模型来预测CAR-NK细胞治疗的疗效. 这个工具准确地预测瘤细胞的死亡,通过了解复杂的免疫细胞相互作用,优化癌症治疗.
科学领域:
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
- 生物技术是生物技术.
背景情况:
- 预测CAR-NK细胞疗效对于癌症免疫疗法至关重要.
- 目前的方法依赖于实验性测试,这些测试耗时且不考虑捐赠者的变异性.
研究的目的:
- 开发一个计算模型来预测CAR-NK细胞细胞毒性.
- 了解CAR-NK细胞效应因子-标相互作用背后的机制.
主要方法:
- 一个多尺度的计算模型被开发出来,整合了CAR,NKR和体表达,信号转导和细胞动力学.
- 该模型使用流细胞计和体外细胞毒性数据进行了训练.
- 帕雷托优化被用来探索CAR表达和信号对细胞毒性的影响.
主要成果:
- 该模型准确地预测了CD33CAR-NK细胞对白血病细胞系的短期和长期细胞毒性.
- 它证明了CAR比例和NK细胞信号对癌症与健康细胞差异性细胞毒性的影响.
结论:
- 这种计算模型为预测CAR-NK细胞治疗结果提供了一个强大的工具.
- 它可以扩展到各种抗原和瘤点,推进个性化癌症免疫疗法.


