Effect of Cholesterol on Cellular Uptake of Cancer Drugs Pirarubicin and Ellipticine
Notice bibliographique
Résumé
The cell membrane is a major barrier for drug transport. Given that many cancer drugs must passively cross the cell membrane, understanding drug-membrane interactions is crucial. We used fluorescence-activated cell sorting to investigate how cholesterol influences the transport of the cancer drugs ellipticine and pirarubicin across cell membranes. We showed that cholesterol depletion helped pirarubicin cross the membranes of nonsmall cell lung carcinoma and Chinese hamster ovary cells. In contrast, the uptake of ellipticine was not strongly influenced by cholesterol depletion. To study the microscopic origins of these observations, atomistic molecular dynamics simulations were performed. Doxorubicin (similar in structure to pirarubicin) and ellipticine were simulated in model membranes of POPC and POPC with 40 mol % cholesterol. Atomistic free energy calculations for the translocation of a single ellipticine and doxorubicin across the lipid bilayers qualitatively matched the experiment results. The free energy barrier for doxorubicin crossing the bilayer was strongly increased when cholesterol was present, while for ellipticine the barrier remained similar with and without cholesterol. Molecular dynamics simulations showed that the different hydrogen-bonding propensities of the two drugs are likely the major factor for the different behaviors. The qualitative agreement between cell experiments and atomistic computer simulations illustrates the potential to link observed biological phenomena and single molecule mechanisms of actions. Our results suggest that the traditional understanding of drug permeation and the influence of cholesterol on the small molecule transport is naïve and needs to be re-examined.
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 ».