PM-12 * USING A ZEBRAFISH PEDIATRIC BRAIN TUMOR MODEL FOR PRE-CLINICAL DRUG SCREENING
Notice bibliographique
Résumé
Modeling cancer in zebrafish is a rapidly growing area of research due to unique imaging and drug screening attributes of the system, as well as cost. While over 20 different zebrafish cancer models have been established, no genetically engineered models of pediatric brain tumors exist. We are using genomic editing techniques with traditional transgenic approaches to model pediatric brain tumors in zebrafish for gene discovery and drug screening. As Primitive Neuroectodermal Tumors (PNETs) represent the largest group of malignant brain tumors in children, we used sequencing and genomics data to predict oncogenic drivers of different PNET subtypes and generated the first zebrafish PNET model. Specifically, we show that activation of NRAS signaling in embryonic oligodendrocyte precursor cells with p53-deficiency generate oligoneural PNETs along the entire CNS axis, with conserved histological and molecular features to human medulloblastoma and CNS-PNETs, including activated SHH signaling and loss of RB signaling. We have also developed new embryonic brain tumor transplantation assays for high-throughput drug screening on hundreds of animals/day and show MEK activity is essential for the oligoneural CNS-PNET tumor growth in vivo. Thus, MEK inhibitors may represent the first targeted therapy option for children with oligoneural CNS-PNETs. We will present these results and plans for expanding the zebrafish system to generate other classes of brain tumors and for growing human PDX's in zebrafish.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».