Therapeutic siRNA for drug-resistant HER2-positive breast cancer
Notice bibliographique
Résumé
// Shenda Gu 1, * , Zhi Hu 1, * , Worapol Ngamcherdtrakul 1, 2 , David J. Castro 1, 2 , Jingga Morry 1 , Moataz M. Reda 1 , Joe W. Gray 1 , Wassana Yantasee 1, 2 1 Department of Biomedical Engineering, Oregon Health & Science University, Portland, Oregon, 97239, USA 2 PDX Pharmaceuticals, LLC, Portland, Oregon, 97239, USA * These authors have contributed equally to this work Correspondence to: Joe W. Gray, e-mail: grayjo@ohsu.edu Wassana Yantasee, e-mail: yantasee@ohsu.edu Keywords: siRNA, HER2, trastuzumab resistance, breast cancer, nanoparticles Received: December 17, 2015     Accepted: January 30, 2016     Published: February 15, 2016 ABSTRACT HER2 is overexpressed in about 20% of breast cancers and contributes to poor prognosis. Unfortunately, a large fraction of patients have primary or acquired resistance to the HER2-targeted therapy trastuzumab, thus a multi-drug combination is utilized in the clinic, putting significant burden on patients. We systematically identified an optimal HER2 siRNA from 76 potential sequences and demonstrated its utility in overcoming intrinsic and acquired resistance to trastuzumab and lapatinib in 18 HER2-positive cancer cell lines. We provided evidence that the drug-resistant cancer maintains dependence on HER2 for survival. Importantly, cell lines did not readily develop resistance following extended treatment with HER2 siRNA. Using our recently developed nanoparticle platform, systemic delivery of HER2 siRNA to trastuzumab-resistant tumors resulted in significant growth inhibition. Moreover, the optimal HER2 siRNA could also silence an exon 16 skipped HER2 splice variant reported to be highly oncogenic and linked to trastuzumab resistance.
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) | 0,001 | 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 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 ».