The Combination of the Rexinoid, LG100268, and a Selective Estrogen Receptor Modulator, Either Arzoxifene or Acolbifene, Synergizes in the Prevention and Treatment of Mammary Tumors in an Estrogen Receptor–Negative Model of Breast Cancer
Notice bibliographique
Résumé
PURPOSE: We tested whether a selective estrogen receptor modulator (SERM) and a rexinoid are active for prevention and treatment in the mouse mammary tumor virus-neu mouse model of estrogen receptor-negative breast cancer. EXPERIMENTAL DESIGN: For prevention, mice were fed a powdered control diet, the SERM arzoxifene (Arz, 20 mg/kg diet), the rexinoid LG100268 (268, 30 mg/kg diet), or the combination for 60 weeks. In a second prevention study, mice were fed Arz (6 mg/kg diet), 268 (30 mg/kg diet), the combination of Arz and 268, the SERM acolbifene (Acol, 3 mg/kg diet), or the combination of Acol and 268 for 52 weeks. For the treatment studies, mice with tumors were fed combinations of a SERM and 268 for 4 weeks. RESULTS: The rexinoid 268 and the SERMs Arz and Acol, as individual drugs, delayed the development of estrogen receptor-negative tumors. Moreover, the combination of a SERM and 268 was strikingly synergistic, as no tumors developed in any mouse fed the combination of 268 and a SERM. Moreover, this drug combination also induced significant tumor regression when used therapeutically. These drugs did not inhibit transgene expression in vitro or in vivo, and the combination of Arz and 268 inhibited proliferation and induced apoptosis in the tumors. CONCLUSION: The combination of a rexinoid and SERM should be considered for future clinical trials.
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 | 0,001 | 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 | 0,001 |
| 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 ».