Cotargeting of MEK and PDGFR/STAT3 Pathways to Treat Pancreatic Ductal Adenocarcinoma
Notice bibliographique
Résumé
Abstract Pancreatic ductal adenocarcinoma (PDAC) is among the most lethal human diseases and remains largely refractory to available drug treatments. Insufficient targeting of the known oncogenic drivers and activation of compensatory feedback loops and inability to prevent metastatic spread contribute to poor prognosis for this disease. The KRAS-driven MEK pathway is mutationally activated in most pancreatic cancers and is an important target for therapeutics. Using a two-dimensional monolayer culture system as well as three-dimensional spheroid culture system, we conducted a screen of a large panel of anticancer agents and found that MAP2K (MEK) inhibitors were most effective in targeting PDAC spheroids in comparison with monolayer cultures. Combination treatment with an MEK inhibitor and the multikinase inhibitor ponatinib was effective in targeting pancreatic cancer cells both in monolayer and spheroids by effectively blocking signaling via the PDGFRα and MEK kinases, while also preventing the activation of STAT3- and S6-mediated compensatory feedback loops in cancer cells. Furthermore, using xenograft models, we demonstrate that cotreatment with a MEK inhibitor and ponatinib causes significant tumor regression. PDAC patient samples also provided evidence of increased STAT3 activation in PDAC tumors and MAPK1 (ERK) activation in liver metastases, implicating STAT3 and ERK as key drivers in primary tumors and metastases, respectively. These results reveal a combination drug treatment strategy that may be effective in pancreatic cancer. Mol Cancer Ther; 16(9); 1729–38. ©2017 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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».