Pathomimetic avatars reveal divergent roles of microenvironment in invasive transition of ductal carcinoma in situ
Notice bibliographique
Résumé
BACKGROUND: The breast tumor microenvironment regulates progression of ductal carcinoma in situ (DCIS) to invasive ductal carcinoma (IDC). However, it is unclear how interactions between breast epithelial and stromal cells can drive this progression and whether there are reliable microenvironmental biomarkers to predict transition of DCIS to IDC. METHODS: We used xenograft mouse models and a 3D pathomimetic model termed mammary architecture and microenvironment engineering (MAME) to study the interplay between human breast myoepithelial cells (MEPs) and cancer-associated fibroblasts (CAFs) on DCIS progression. RESULTS: Our results show that MEPs suppress tumor formation by DCIS cells in vivo even in the presence of CAFs. In the in vitro MAME model, MEPs reduce the size of 3D DCIS structures and their degradation of extracellular matrix. We further show that the tumor-suppressive effects of MEPs on DCIS are linked to inhibition of urokinase plasminogen activator (uPA)/urokinase plasminogen activator receptor (uPAR)-mediated proteolysis by plasminogen activator inhibitor 1 (PAI-1) and that they can lessen the tumor-promoting effects of CAFs by attenuating interleukin 6 (IL-6) signaling pathways. CONCLUSIONS: Our studies using MAME are, to our knowledge, the first to demonstrate a divergent interplay between MEPs and CAFs within the DCIS tumor microenvironment. We show that the tumor-suppressive actions of MEPs are mediated by PAI-1, uPA and its receptor, uPAR, and are sustained even in the presence of the CAFs, which themselves enhance DCIS tumorigenesis via IL-6 signaling. Identifying tumor microenvironmental regulators of DCIS progression will be critical for defining a robust and predictive molecular signature for clinical use.
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) | 0,000 | 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 ».