Activation of KRAS Mediates Resistance to Targeted Therapy in MET Exon 14–mutant Non–small Cell Lung Cancer
Notice bibliographique
Résumé
Abstract Purpose: MET exon 14 splice site alterations that cause exon skipping at the mRNA level (METex14) are actionable oncogenic drivers amenable to therapy with MET tyrosine kinase inhibitors (TKI); however, secondary resistance eventually arises in most cases while other tumors display primary resistance. Beyond relatively uncommon on-target MET kinase domain mutations, mechanisms underlying primary and acquired resistance remain unclear. Experimental Design: We examined clinical and genomic data from 113 patients with lung cancer with METex14. MET TKI resistance due to KRAS mutation was functionally evaluated using in vivo and in vitro models. Results: Five of 113 patients (4.4%) with METex14 had concurrent KRAS G12 mutations, a rate of KRAS cooccurrence significantly higher than in other major driver-defined lung cancer subsets. In one patient, the KRAS mutation was acquired post-crizotinib, while the remaining 4 METex14 patients harbored the KRAS mutation prior to MET TKI therapy. Gene set enrichment analysis of transcriptomic data from lung cancers with METex14 revealed preferential activation of the KRAS pathway. Moreover, expression of oncogenic KRAS enhanced MET expression. Using isogenic and patient-derived models, we show that KRAS mutation results in constitutive activation of RAS/ERK signaling and resistance to MET inhibition. Dual inhibition of MET or EGFR/ERBB2 and MEK reduced growth of cell line and xenograft models. Conclusions: KRAS mutation is a recurrent mechanism of primary and secondary resistance to MET TKIs in METex14 lung cancers. Dual inhibition of MET or EGFR/ERBB2 and MEK may represent a potential therapeutic approach in this molecular cohort.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 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 ».