Leukemic stem cell signatures identify novel therapeutics targeting acute myeloid leukemia
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Therapy for acute myeloid leukemia (AML) involves intense cytotoxic treatment and yet approximately 70% of AML are refractory to initial therapy or eventually relapse. This is at least partially driven by the chemo-resistant nature of the leukemic stem cells (LSCs) that sustain the disease, and therefore novel anti-LSC therapies could decrease relapses and improve survival. We performed in silico analysis of highly prognostic human AML LSC gene expression signatures using existing datasets of drug-gene interactions to identify compounds predicted to target LSC gene programs. Filtering against compounds that would inhibit a hematopoietic stem cell (HSC) gene signature resulted in a list of 151 anti-LSC candidates. Using a novel in vitro LSC assay, we screened 84 candidate compounds at multiple doses and confirmed 14 drugs that effectively eliminate human AML LSCs. Three drug families presenting with multiple hits, namely antihistamines (astemizole and terfenadine), cardiac glycosides (strophanthidin, digoxin and ouabain) and glucocorticoids (budesonide, halcinonide and mometasone), were validated for their activity against human primary AML samples. Our study demonstrates the efficacy of combining computational analysis of stem cell gene expression signatures with in vitro screening to identify novel compounds that target the therapy-resistant LSC at the root of relapse in AML.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle