Hyperactive mTOR and MNK1 phosphorylation of eIF4E confer tamoxifen resistance and estrogen independence through selective mRNA translation reprogramming
Notice bibliographique
Résumé
The majority of breast cancers expresses the estrogen receptor (ER + ) and is treated with anti-estrogen therapies, particularly tamoxifen in premenopausal women. However, tamoxifen resistance is responsible for a large proportion of breast cancer deaths. Using small molecule inhibitors, phospho-mimetic proteins, tamoxifen-sensitive and tamoxifen-resistant breast cancer cells, a tamoxifen-resistant patient-derived xenograft model, patient tumor tissues, and genome-wide transcription and translation studies, we show that tamoxifen resistance involves selective mRNA translational reprogramming to an anti-estrogen state by Runx2 and other mRNAs. Tamoxifen-resistant translational reprogramming is shown to be mediated by increased expression of eIF4E and its increased availability by hyperactive mTOR and to require phosphorylation of eIF4E at Ser209 by increased MNK activity. Resensitization to tamoxifen is restored only by reducing eIF4E expression or mTOR activity and also blocking MNK1 phosphorylation of eIF4E. mRNAs specifically translationally up-regulated with tamoxifen resistance include Runx2 , which inhibits ER signaling and estrogen responses and promotes breast cancer metastasis. Silencing Runx2 significantly restores tamoxifen sensitivity. Tamoxifen-resistant but not tamoxifen-sensitive patient ER + breast cancer specimens also demonstrate strongly increased MNK phosphorylation of eIF4E. eIF4E levels, availability, and phosphorylation therefore promote tamoxifen resistance in ER + breast cancer through selective mRNA translational reprogramming
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 ».