MétaCan
Menu
Retour à la cohorte
Enregistrement W2732249235 · doi:10.1101/159905

Ponatinib shows potent antitumor activity in small cell carcinoma of the ovary hypercalcemic type (SCCOHT) through multi-kinase inhibition

2017· preprint· en· W2732249235 sur OpenAlexaffabout
Jessica D. Lang, William P.D. Hendricks, Holly Yin, Jeffrey Kiefer, Pilar Ramos, Ritin Sharma, Patrick Pirrotte, Elizabeth A. Raupach, Chris Sereduk, Nanyun Tang, Winnie S. Liang, Megan Washington, Salvatore Facista, Victoria Zismann, Emily Cousins, Michael B. Major, Yemin Wang, Anthony N. Karnezis, Krystal A. Orlando, Aleksandar Sekulić, Ralf Hass, Barbara C. Vanderhyden, Kesavannair Praveen, Bernard E. Weissman, David G. Huntsman, Jeffrey M. Trent

Notice bibliographique

RevuebioRxiv (Cold Spring Harbor Laboratory) · 2017
Typepreprint
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueChromatin Remodeling and Cancer
Établissements canadiensUniversity of OttawaOntario Institute for Cancer ResearchOttawa HospitalUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésPonatinibCancer researchBiologySMARCA4Ovarian cancerKinaseCancerTyrosine kinasePharmacologyDasatinibReceptorEpigeneticsGeneticsChromatin remodeling

Résumé

récupéré en direct d'OpenAlex

Structured Abstract Purpose: Subunits of the SWI/SNF chromatin-remodeling complex are tumor suppressors inactivated in ∼20% of all cancers. Yet, few targeted treatments for SWI/SNF-mutant cancers exist. Small cell carcinoma of the ovary, hypercalcemic type (SCCOHT) is a rare, aggressive ovarian cancer in young women that is universally driven by loss of the SWI/SNF ATPase subunits, SMARCA4 and SMARCA2. Given poor two-year survival rates for these women, a great need exists for effective targeted therapies. Experimental Design: To identify underlying therapeutic vulnerabilities in SCCOHT, we conducted high-throughput siRNA and drug screens. Complementary proteomics approaches comprehensively profiled kinases inhibited by ponatinib. Ponatinib was tested for efficacy in two PDX models and one cell line xenograft model of SCCOHT. Results: FGFRs and PDGFRs were overlapping hits between screens and the receptor tyrosine kinase (RTK) family was enriched in the siRNA screen hits. Evaluation of eleven RTK inhibitors in three SCCOHT cell lines identified ponatinib, an inhibitor of multiple RTKs, as the most effective clinically approved agent. Proteomics approaches confirmed inhibition of known targets of ponatinib and more than 20 non-canonical ponatinib targets. Ponatinib also delayed tumor doubling time 4-fold in SCCOHT-1 xenografts and reducing final tumor volumes in two SCCOHT patient-derived xenograft (PDX) models by 58.6% and 42.5%. Conclusion: Ponatinib is an effective agent for SCCOHT in both in vitro and in vivo preclinical models through its inhibition of multiple kinases. Clinical investigation of this FDA-approved oncology drug in SCCOHT is warranted. Additional Information This work was supported by research funds from the Canadian Cancer Society Research Institute 34 (#703458, D.G.H.), the National Institutes of Health (R01 CA195670-01, B.E.W., D.G.H., and 35 J.M.T., and T32 HL007106-39 to E.M.C), the Terry Fox Research Institute Initiative New Frontiers Program in Cancer (#1021, D.G.H.), the British Columbia Cancer Foundation (D.G.H.), the VGH & UBC Foundation (D.G.H.), the Anne Rita Monahan Foundation (P.R.), the Marsha Rivkin Center for Ovarian Cancer Research (J.M.T.), the Ovarian Cancer Alliance of Arizona (J.M.T.), the Small Cell Ovarian Cancer Foundation (P.R., J.D.L., B.V., and J.M.T.), and philanthropic support to the TGen Foundation (J.M.T.). COI disclosure statement: The authors declare no potential conflicts of interest.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,091
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,244
Écart entre enseignants0,217 · 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 tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
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

Citations8
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuebioRxiv (Cold Spring Harbor Laboratory)Même sujetChromatin Remodeling and CancerTravaux en français237 207