MétaCan
Menu
Retour à la cohorte
Enregistrement W2741510694 · doi:10.1158/1538-7445.am2017-4293

Abstract 4293: Siramesine and lapatinib induce ferroptosis in glioblastoma and lung adenocarcinoma cells

2017· article· en· W2741510694 sur OpenAlexaff
Anna R. Blankstein, Shumei Ma, Spencer B. Gibson

Notice bibliographique

RevueCancer Research · 2017
Typearticle
Langueen
DomaineMedicine
ThématiqueFerroptosis and cancer prognosis
Établissements canadiensResearch Institute in Oncology and HematologyUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésProgrammed cell deathLapatinibNecroptosisCancer researchPharmacologyA549 cellChemistryLysosomeCancer cellDeferoxamineTyrosine kinaseCellApoptosisMedicineCancerBiochemistrySignal transductionInternal medicine

Résumé

récupéré en direct d'OpenAlex

Abstract Ferroptosis, a morphologically and biochemically distinct cell death pathway, is characterized by iron-dependent accumulation of reactive oxygen species (ROS) within the cell. The combination of siramesine, a lysosome disruptor, and lapatinib, a dual tyrosine kinase inhibitor, has been shown to synergistically induce cell death in breast cancer cells. This cell death was blocked by the ferroptosis inhibitor ferrostatin-1 (Fer-1) and the iron chelator deferoxamine (DFO). The objective of the present study was to determine whether lysosome disruptors and tyrosine kinase inhibitors, in combination, induced synergic cell death via the ferroptotic pathway in additional types of cancer. U87 (glioblastoma) and A549 (lung adenocarcinoma) cells were treated with various lysosome disruptors (siramesine or desipramine) in combination with tyrosine kinase inhibitors (lapatinib or sorafenib), and the amount of cell death was measured by trypan blue exclusion. We found that these combinations synergistically induced cell death in U87 and A549 cells. To determine whether ferroptosis was the mechanism of cell death, cells were pretreated with either Fer-1 or DFO (inhibitors of ferroptosis), or with exogenous iron chloride (an inducer of ferroptosis) before treatment with the combination of siramesine and lapatinib. Pretreatment with Fer-1 or DFO decreased cell death by approximately 35%. Pretreatment with iron chloride increased the effect of the drug combination by approximately 45%. Prussian Blue staining demonstrated that there was an increase in intracellular iron accumulation following treatment with the combination of siramesine and lapatinib. Collectively, these data show that in U87 and A549 cells, the combination of lysosome disruptors and tyrosine kinase inhibitors, specifically siramesine and lapatinib, induces ferroptotic cell death. Therefore, inducing ferroptosis in tumor cells is a potential strategy for therapy in these cancers with limited treatment options. Citation Format: Anna R. Blankstein, Shumei Ma, Spencer B. Gibson. Siramesine and lapatinib induce ferroptosis in glioblastoma and lung adenocarcinoma cells [abstract]. In: Proceedings of the American Association for Cancer Research Annual Meeting 2017; 2017 Apr 1-5; Washington, DC. Philadelphia (PA): AACR; Cancer Res 2017;77(13 Suppl):Abstract nr 4293. doi:10.1158/1538-7445.AM2017-4293

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

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 ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,088
Tête enseignante GPT0,409
Écart entre enseignants0,321 · 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'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

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCancer ResearchMême sujetFerroptosis and cancer prognosisTravaux en français237 207