Markers of MEK inhibitor resistance in low-grade serous ovarian cancer: EGFR is a potential therapeutic target
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
BACKGROUND: Although low-grade serous ovarian cancer (LGSC) is rare, case-fatality rates are high as most patients present with advanced disease and current cytotoxic therapies are not overly effective. Recognizing that these cancers may be driven by MAPK pathway activation, MEK inhibitors (MEKi) are being tested in clinical trials. LGSC respond to MEKi only in a subgroup of patients, so predictive biomarkers and better therapies will be needed. METHODS: We evaluated a number of patient-derived LGSC cell lines, previously classified according to their MEKi sensitivity. Two cell lines were genomically compared against their matching tumors samples. MEKi-sensitive and MEKi-resistant lines were compared using whole exome sequencing and reverse phase protein array. Two treatment combinations targeting MEKi resistance markers were also evaluated using cell proliferation, cell viability, cell signaling, and drug synergism assays. RESULTS: mutation status, and EGFR and PKC-alpha protein expression. The biomarkers were validated in three newly developed LGSC cell lines. Sub-lethal combination of MEK and EGFR inhibition showed drug synergy and caused complete cell death in two of four MEKi-resistant cell lines tested. CONCLUSIONS: mutations and the protein expression of EGFR and PKC-alpha should be evaluated as predictive biomarkers in patients with LGSC treated with MEKi. Combination therapy using a MEKi with EGFR inhibition may represent a promising new therapy for patients with MEKi-resistant LGSC.
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 | 0,000 | 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) | 0,008 | 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