An Unbiased Oncology Compound Screen to Identify Novel Combination Strategies
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Combination drug therapy is a widely used paradigm for managing numerous human malignancies. In cancer treatment, additive and/or synergistic drug combinations can convert weakly efficacious monotherapies into regimens that produce robust antitumor activity. This can be explained in part through pathway interdependencies that are critical for cancer cell proliferation and survival. However, identification of the various interdependencies is difficult due to the complex molecular circuitry that underlies tumor development and progression. Here, we present a high-throughput platform that allows for an unbiased identification of synergistic and efficacious drug combinations. In a screen of 22,737 experiments of 583 doublet combinations in 39 diverse cancer cell lines using a 4 by 4 dosing regimen, both well-known and novel synergistic and efficacious combinations were identified. Here, we present an example of one such novel combination, a Wee1 inhibitor (AZD1775) and an mTOR inhibitor (ridaforolimus), and demonstrate that the combination potently and synergistically inhibits cancer cell growth in vitro and in vivo This approach has identified novel combinations that would be difficult to reliably predict based purely on our current understanding of cancer cell biology. Mol Cancer Ther; 15(6); 1155-62. ©2016 AACR.
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.
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 découle