Identification of Molecular Vulnerabilities in Human Multiple Myeloma Cells by RNA Interference Lethality Screening of the Druggable Genome
Notice bibliographique
Résumé
Despite recent advances in targeted treatments for multiple myeloma, optimal molecular therapeutic targets have yet to be identified. To functionally identify critical molecular targets, we conducted a genome-scale lethality study in multiple myeloma cells using siRNAs. We validated the top 160 lethal hits with four siRNAs per gene in three multiple myeloma cell lines and two non-myeloma cell lines, cataloging a total of 57 potent multiple myeloma survival genes. We identified the Bcl2 family member MCL1 and several 26S proteasome subunits among the most important and selective multiple myeloma survival genes. These results provided biologic validation of our screening strategy. Other essential targets included genes involved in RNA splicing, ubiquitination, transcription, translation, and mitosis. Several of the multiple myeloma survival genes, especially MCL1, TNK2, CDK11, and WBSCR22, exhibited differential expression in primary plasma cells compared with other human primary somatic tissues. Overall, the most striking differential functional vulnerabilities between multiple myeloma and non-multiple myeloma cells were found to occur within the 20S proteasome subunits, MCL1, RRM1, USP8, and CKAP5. We propose that these genes should be investigated further as potential therapeutic targets in multiple myeloma.
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 ».