Quantitative phosphoproteomic analysis of acquired cancer drug resistance to pazopanib and dasatinib
Notice bibliographique
Résumé
Acquired drug resistance impacts the majority of patients being treated with tyrosine kinase inhibitors (TKIs) and remains a key challenge in modern anti-cancer therapy. The lack of clinically effective therapies to overcome resistance represents an unmet need. Understanding the signalling that drives drug resistance will facilitate the development of new salvage therapies to treat patients with secondary TKI resistance. In this study, we utilise mass spectrometry to characterise the global phosphoproteomic alterations that accompany the acquisition of resistance to two FDA-approved TKIs, pazopanib and dasatinib, in the A204 rhabdoid tumour cell line. Our analysis finds that only 6% and 9.7% of the quantified phosphoproteome is altered upon the acquisition of pazopanib and dasatinib resistance, respectively. Pazopanib resistant cells display elevated phosphorylation in cytoskeletal regulatory pathways while dasatinib resistant cells show an upregulation of the insulin receptor/IGF-1R signalling pathway. Drug response profiling rediscovers several previously reported vulnerabilities associated with pazopanib and dasatinib resistance and identifies a new dependency to the second generation HSP90 inhibitor NVP-AUY-922. This study provides a useful resource detailing the candidate signalling determinants of acquired TKI resistance; and reveals a therapeutic approach of inhibiting HSP90 function as a means of salvage therapy to overcome pazopanib and dasatinib resistance. SIGNIFICANCE: Pazopanib and dasatinib are tyrosine kinase inhibitors (TKIs) approved for the treatment of multiple cancer types. Patients who are treated with these drugs are prone to the development of drug resistance and consequently tumour relapse. Here we use quantitative phosphoproteomics to characterise the signalling pathways which are enriched in cells that have acquired resistance to these two drugs. Furthermore, targeted drug screens were used to identify salvage therapies capable of overcoming pazopanib and dasatinib resistance. This data advances our understanding of the mechanisms of TKI resistance and highlights candidate targets for cancer therapy.
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 ».