MétaCan
Menu
Retour à la cohorte
Enregistrement W2337562041 · doi:10.1093/neuonc/nov219.08

MTR-08MODELING TMZ RESISTANCE IN PATIENT-DERIVED BRAIN TUMOR- INITIATING CELLS

2015· article· en· W2337562041 sur OpenAlexaff
Xueqing Lun, Jennifer C. King, Ngoc Ha Dang, Donna L. Senger, Stephen M. Robbins

Notice bibliographique

RevueNeuro-Oncology · 2015
Typearticle
Langueen
DomaineMedicine
ThématiqueGlioma Diagnosis and Treatment
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésMedicineBrain tumorTemozolomideInternal medicineGlioblastomaCancer researchPathology

Résumé

récupéré en direct d'OpenAlex

Intrinsic and required resistance hampers the inability for Temozolomide to give prolonged therapeutic response in glioblastoma. To this end we developed an in vivo model to investigate the mechanism behind TMZ resistance. Using TMZ-sensitive patient-derived brain tumor-initiating cells (BTIC; BT73 and BT206), intracranial tumors were established in immunocompromised mice. Once visible, animals were treated with TMZ [50 mg/kg/day (one cycle) followed by 5 cycles of 10 mg/kg/day (cycle = 5d on, 2d off)] and followed for recurrence. Tumor cells were isolated and re-implanted into animals for a second round of selection [TMZ 50 mg/kg/day (one cycle); 30 mg/kg/day (two cycles)]. BTICs established from these animals were termed BT73R and BT206R and confirmed for their acquired resistance to TMZ both in vitro and in vivo. Using cytokine profiling arrays and global gene expression arrays, we identified candidate genes/factors related to the development of TMZ resistance. Assessment of tumor interstitial fluid from BT73R and BT206R uncovered changes in several cytokines/chemokines including an increase in CX3CL1, IL16 and IL23 and a decrease in MDC, IFNa2, IP-10 and CCL2. In addition, we observed a greater than two-fold change in 131 genes found in common between the TMZ-resistant xenografts including 30 genes related to tumor adhesive, invasive and drug resistance that were selected for further validation. To date, of the common genes, 11 were confirmed including 7 up-regulated genes (IGFBP5, EFEMP1, TCEAL7, SLFN11, FAM129A, PCDH10 and DCX) and 4 down-regulated genes (DACH1, ICAM1, MLKL and NFTAC2). In addition, MGMT protein was detected in BT73R but not BT206R. The data presented here suggests that acquired resistance to TMZ in the BTICs may not be mediated through a single mechanism, but rather via multiple genes/pathways warranting further evaluation of these models in the hope of identifying potential therapeutic markers or targets for acquired TMZ 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 machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,042
Tête enseignante GPT0,304
Écart entre enseignants0,262 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNeuro-OncologyMême sujetGlioma Diagnosis and TreatmentTravaux en français237 207