Abstract 1184: Modeling mechanisms of resistance of epidermal growth factor receptor (EGFR) mutations to targeted drugs through patient-derived xenografts (PDX) of non-small cell lung cancer (NSCLC)
Notice bibliographique
Résumé
Abstract Background: Resistance to small molecule EGFR tyrosine kinase inhibitors (TKIs) is seen in some NSCLC patients with activating EGFR mutations. We evaluated in vivo PDX models for their utility in studying EGFR-targeted drug resistance mechanisms. Methods: Surgically resected early stage NSCLC tumors were implanted into non-obese diabetic severe combined immune deficient (NOD-SCID) mice. Tumors were passaged and expanded in new mouse hosts once the humane endpoint of 1.5 cm maximum diameter was reached. EGFR TKI treatment was initiated at an average tumor volume of 150mm3. Treatments included daily oral gavage with first and second generation EGFR TKIs, and with weekly intraperitoneally administered cetuximab. Results: Of the 55 NSCLC tumors with EGFR activating mutations, only 6 engrafted (11%) and could be propagated beyond the first passage, and 4 have been studied for their responsiveness to EGFR-targeted agents. Model 148, developed from a patient who received pre-operative erlotinib, showed intrinsic pan-resistance to all EGFR-targeted therapies despite having an L858R mutation. The corresponding patient did not respond to erlotinib, relapsed after surgery and did not receive additional TKI therapy. Model 137, with an exon19 E746-A750 deletion, recapitulated the patient's response to gefitinib at relapse; this model was sensitive to first and second generation EGFR TKIs. Model 192 also has the exon19 E746-A750 deletion, however it did not recapitulate the patient's observed sensitivity to erlotinib. Selection for a MET amplified population during engraftment may be the cause for the disparate drug sensitivities. Model 164 has a double exon19 L747-T751 deletion and T790M EGFR mutation. Neither patient nor xenograft responded to erlotinib; the xenograft responded to cetuximab. Resistance developed over time to a second generation EGFR TKI; this resistant phenotype was not stable as each subsequent passage of the ‘resistant’ tumor exhibited the same initial response pattern. Two potential mechanisms for this transient sensitivity are currently being investigated: epigenetic mechanisms and intratumoural mutational heterogeneity. Conclusions: PDX models may provide important insight into biomarkers and mechanisms of resistance to targeted therapies, and provide a means to test novel treatment strategies to improve future treatment efficacies. Citation Format: Erin L. Stewart, Celine Mascaux, Shingo Shakashita, Devang Panchal, Dennis Wang, Ming Li, Nhu-An Pham, Natasha Leighl, Geoffrey Liu, Frances A. Shepherd, Ming-Sound Tsao. Modeling mechanisms of resistance of epidermal growth factor receptor (EGFR) mutations to targeted drugs through patient-derived xenografts (PDX) of non-small cell lung cancer (NSCLC). [abstract]. In: Proceedings of the 105th Annual Meeting of the American Association for Cancer Research; 2014 Apr 5-9; San Diego, CA. Philadelphia (PA): AACR; Cancer Res 2014;74(19 Suppl):Abstract nr 1184. doi:10.1158/1538-7445.AM2014-1184
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».