Interactions of Multitargeted Kinase Inhibitors and Nucleoside Drugs: Achilles Heel of Combination Therapy?
Notice bibliographique
Résumé
Multitargeted tyrosine kinase inhibitors (TKI) axitinib, pazopanib, and sunitinib are used to treat many solid tumors. Combination trials of TKIs with gemcitabine, a nucleoside anticancer drug, in pancreas, renal, lung, ovarian, and other malignancies resulted in little benefit to patients. TKI interactions with human nucleoside transporters (hNT) were studied by assessing inhibition of [(3)H]uridine uptake in yeast producing recombinant hNTs individually and in cultured human cancer cell lines. Axitinib, pazopanib, and sunitinib inhibited hENT1 at low micromolar concentrations. In A549, AsPC-1, and Caki-1 cells, [(3)H]uridine, [(3)H]thymidine, [(3)H]gemcitabine, and [(3)H]fluorothymidine (FLT) accumulation was blocked by all three TKIs. Pazopanib > axitinib ≥ sunitinib inhibited hENT1 with IC50 values of 2, 7, and 29 μmol/L, respectively, leading to reduced intracellular gemcitabine and FLT accumulation. Pretreatment or cotreatment of Caki-1 cells with TKIs reduced cellular accumulation of [(3)H]nucleosides, suggesting that TKI scheduling with nucleoside drugs would influence cytotoxicity. In combination cytotoxicity experiments that compared sequential versus simultaneous addition of drugs in Caki-1 cells, cytotoxicity was greatest when gemcitabine was added before TKIs. In clinical settings, TKI inhibitor concentrations in tumor tissues are sufficient to inhibit hENT1 activity, thereby reducing nucleoside chemotherapy drug levels in cancer cells and reducing efficacy in combination schedules. An additional unwanted interaction may be reduced FLT uptake in tumor tissues that could lead to aberrant conclusions regarding tumor response.
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 ».