RANKL blockade prevents and treats aggressive osteosarcomas
Notice bibliographique
Résumé
Osteosarcoma (OS) is the most common primary bone cancer, which occurs primarily in children and adolescents, severely affecting survivors' quality of life. Despite its chemosensitivity and treatment advances, long-term survival rates for OS patients have stagnated over the last 20 years. Thus, it is necessary to develop new molecularly targeted therapies for this metastatic bone cancer. Mutations in TP53 and RB are linked to OS predisposition and to the evolution of spontaneous OS. We established receptor activator of nuclear factor κB ligand (RANKL) as a therapeutic target for suppression and prevention of OS. Combined conditional osteoblast-specific deletions of Rb, p53, and the protein kinase A (PKA) regulatory subunit Prkar1α genes in genetically engineered mouse models (GEMMs) generate aggressive osteosarcomas, characterized by PKA, RANKL, and osteoclast hyperactivity. Whole-body Rankl deletion completely abrogates tumorigenesis. Although osteoblastic Rank deletion has little effect, osteoclastic Rank deletion delays tumorigenesis and prolongs life span. The latter is associated with inactivation of osteoclastogenesis and up-regulation of the tumor suppressor phosphatase and tensin homolog (PTEN). Further, we use these GEMMs as preclinical platforms to show that RANKL blockade with RANK-Fc arrests tumor progression and improves survival and also inhibits lung metastasis. Moreover, preemptive administration of RANK-Fc completely prevents tumorigenesis in mice highly predisposed to this aggressive cancer. Denosumab, a fully human monoclonal antibody against RANKL, is currently used to treat patients with osteoporosis or bone metastases. Our studies provide a strong rationale to consider RANKL blockade for the treatment and prevention of aggressive RANKL-overexpressing OS in humans.
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 | 0,001 |
| 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 ».