Personalized siRNA-Nanoparticle Systemic Therapy using Metastatic Lymph Node Specimens Obtained with EBUS-TBNA in Lung Cancer
Notice bibliographique
Résumé
Abstract Inhibiting specific gene expression with siRNA provides a new therapeutic strategy to tackle many diseases at the molecular level. Recent strategies called high-density lipoprotein (HDL)-mimicking peptide-phospholipid nanoscaffold (HPPS) nanoparticles have been used to induce siRNAs-targeted delivery to scavenger receptor class B type I receptor (SCARB1)-expressing cancer cells with high efficiency. Here, eight ideal therapeutic target genes were identified for advanced lung cancer throughout the screenings using endobronchial ultrasonography–guided transbronchial needle aspiration (EBUS-TBNA) and the establishment of a personalized siRNA-nanoparticle therapy. The relevance of these genes was evaluated by means of siRNA experiments in cancer cell growth. To establish a therapeutic model, kinesin family member-11 (KIF11) was selected as a target gene. A total of 356 lung cancers were analyzed immunohistochemically for its clinicopathologic significance. The antitumor effect of HPPS-conjugated siRNA was evaluated in vivo using xenograft tumor models. Inhibition of gene expression for these targets effectively suppressed lung cancer cell growth. SCARB1 was highly expressed in a subset of tumors from the lung large-cell carcinoma (LCC) and small-cell lung cancer (SCLC) patients. High-level KIF11 expression was identified as an independent prognostic factor in LCC and squamous cell carcinoma (SqCC) patients. Finally, a conjugate of siRNA against KIF11 and HPPS nanoparticles induced downregulation of KIF11 expression and mediated dramatic inhibition of tumor growth in vivo. Implications: This approach showed delivering personalized cancer-specific siRNAs via the appropriate nanocarrier may be a novel therapeutic option for patients with advanced lung cancer. Mol Cancer Res; 16(1); 47–57. ©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 | 0,001 | 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 | 0,001 | 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 ».