HER2 in Breast Cancer Stemness: A Negative Feedback Loop towards Trastuzumab Resistance
Notice bibliographique
Résumé
HER2 receptor tyrosine kinase that is overexpressed in approximately 20% of all breast cancers (BCs) is a poor prognosis factor and a precious target for BC therapy. Trastuzumab is approved by FDA to specifically target HER2 for treating HER2+ BC. However, about 60% of patients with HER2+ breast tumor develop de novo resistance to trastuzumab, partially due to the loss of expression of HER2 extracellular domain on their tumor cells. This is due to shedding/cleavage of HER2 by metalloproteinases (ADAMs and MMPs). HER2 shedding results in the accumulation of intracellular carboxyl-terminal HER2 (p95HER2), which is a common phenomenon in trastuzumab-resistant tumors and is suggested as a predictive marker for trastuzumab resistance. Up-regulation of the metalloproteinases is a poor prognosis factor and is commonly seen in mesenchymal-like cancer stem cells that are risen during epithelial to mesenchymal transition (EMT) of tumor cells. HER2 cleavage during EMT can explain why secondary metastatic tumors with high percentage of mesenchymal-like cancer stem cells are mostly resistant to trastuzumab but still sensitive to lapatinib. Importantly, many studies report HER2 interaction with oncogenic/stemness signaling pathways including TGF-β/Smad, Wnt/β-catenin, Notch, JAK/STAT and Hedgehog. HER2 overexpression promotes EMT and the emergence of cancer stem cell properties in BC. Increased expression and activation of metalloproteinases during EMT leads to proteolytic cleavage and shedding of HER2 receptor, which downregulates HER2 extracellular domain and eventually increases trastuzumab resistance. Here, we review the hypothesis that a negative feedback loop between HER2 and stemness signaling drives resistance of BC to trastuzumab.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».