Tumor-Independent Host Secretomes Induced By Angiogenesis and Immune-Checkpoint Inhibitors
Notice bibliographique
Résumé
Abstract The levels of various circulating blood proteins can change in response to cancer therapy. Monitoring therapy-induced secretomes (TIS) may have use as biomarkers for establishing optimal biological effect (such as dosing) or identifying sources of toxicity and drug resistance. Although TIS can derive from tumor cells directly, nontumor “host” treatment responses can also impact systemic secretory programs. For targeted inhibitors of the tumor microenvironment, including antiangiogenic and immune-checkpoint therapies, host TIS could explain unexpected collateral “side effects” of treatment. Here, we describe a comparative transcriptomic and proteomic analysis of host TIS in tissues and plasma from cancer-free mice treated with antibody and receptor tyrosine kinase inhibitors (RTKI) of the VEGF, cMet/ALK, and PD-1 pathways. We found that all cancer therapies elicit TIS independent of tumor growth, with systemic secretory gene change intensity higher in RTKIs compared with antibodies. Our results show that host TIS signatures differ between drug target, drug class, and dose. Notably, protein and gene host TIS signatures were not always predictive for each other, suggesting limitations to transcriptomic-only approaches to clinical biomarker development for circulating proteins. Together, these are the first studies to assess and compare “off-target” host secretory effects of VEGF and PD-1 pathway inhibition that occur independent of tumor stage or tumor response to therapy. Testing treatment impact on normal tissues to establish host-mediated TIS signatures (or “therasomes”) may be important for identifying disease agnostic biomarkers to predict benefits (or limitations) of drug combinatory approaches. Mol Cancer Ther; 17(7); 1602–12. ©2018 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 | 0,000 | 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 ».