Differential interactions between statins and P‐glycoprotein: Implications for exploiting statins as anticancer agents
Notice bibliographique
Résumé
Statins, prescribed for decades to control cholesterol, have more recently been shown to have promising anticancer activity. Statins induce tumor-selective apoptosis by inhibiting the mevalonate (MVA) pathway. In addition, we have recently demonstrated that lovastatin modulates drug accumulation in a MVA-independent manner in multidrug-resistant (MDR) tumor cells overexpressing the P-glycoprotein (P-gp) multidrug transporter. P-gp-mediated drug efflux can contribute to chemotherapy failure. However, direct statin-mediated inhibition of P-gp in human MDR tumor cells at clinically achievable concentrations remains unexplored. An understanding of these interactions is crucial, both to appreciate differences in the anticancer potential of different statins and to safely and effectively integrate statins into traditional chemotherapy regimens that include P-gp substrates. Here we evaluate interactions between 4 statins (lovastatin, atorvastatin, fluvastatin and rosuvastatin) and P-gp, at both the molecular level using purified P-gp and at the cellular level using human MDR tumor cells. Lovastatin bound directly to purified P-gp with high affinity and increased doxorubicin accumulation in MDR tumor cells, potentiating DNA damage, growth arrest and apoptosis. By contrast, while atorvastatin inhibited substrate transport by purified P-gp in proteoliposomes, it had no effect on doxorubicin transport in MDR tumor cells. Finally, fluvastatin and rosuvastatin only interacted with P-gp in vitro at high concentrations and did not inhibit doxorubicin transport in MDR cells. These differential interactions should be considered when combining statins with traditional chemotherapeutic drugs.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| 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) | 0,000 | 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 tête enseignante, 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 ».