Establishment of a neuroendocrine prostate cancer model driven by the RNA splicing factor SRRM4
Notice bibliographique
Résumé
// Yinan Li 1 , Ruiqi Chen 1 , Mary Bowden 1 , Fan Mo 1 , Yen-Yi Lin 1 , Martin Gleave 1 , Colin Collins 1 and Xuesen Dong 1 1 Department of Urologic Sciences, Vancouver Prostate Centre, The University of British Columbia, Vancouver, Canada Correspondence to: Xuesen Dong, email: // Keywords : neuroendocrine prostate cancer, cell/tumor models, SRRM4, RNA splicing Received : June 30, 2017 Accepted : July 06, 2017 Published : August 03, 2017 Abstract Neuroendocrine prostate cancer (NEPC) is becoming more prevalent as more potent androgen receptor (AR) pathway inhibitors are applied to patients with metastatic tumors. However, there are limited cell and xenograft models currently available, hindering the investigation of signal pathways involved in regulating NEPC progression and the design of high throughput screening assays for inhibitors to treat NEPC patients. Here, we report an NEPC model, LnNE, that is derived from prostate adenocarcinoma cells and has global similarity in transcription and RNA splicing to tumors from NEPC patients. LnNE xenografts are castrate-resistant and highly aggressive. Its tumor take is ~3-5 weeks and tumor doubling time is ~2-3 weeks. LnNE expresses multiple neuroendocrine markers, preserves AR expression, but is PSA negative. Its neuroendocrine phenotype cannot be reversed by androgen treatment. LnNE cells grow as multi-cellular spheroids under 2-dimensional culture conditions similar to the NEPC cell line NCI-H660, but have higher proliferation rate and are easier to be transfected. LnNE cells can also adapt to 3-dimensional culture conditions in a 96-plate format, allowing high throughput screening assays. In summary, the LnNE model is useful to study the mechanisms of NEPC progression and to discover potential therapies for NEPC.
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) | 0,000 | 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 ».