Tissue specificity of in vitro drug sensitivity
Notice bibliographique
Résumé
Objectives: We sought to investigate the tissue specificity of drug sensitivities in large-scale pharmacological studies and compare these associations to those found in drug clinical indications. Materials and Methods: We leveraged the curated cell line response data from PharmacoGx and applied an enrichment algorithm on drug sensitivity values' area under the drug dose-response curves (AUCs) with and without adjustment for general level of drug sensitivity. Results: We observed tissue specificity in 63% of tested drugs, with 8% of total interactions deemed significant (false discovery rate <0.05). By restricting the drug-tissue interactions to those with AUC > 0.2, we found that in 52% of interactions, the tissue was predictive of drug sensitivity (concordance index > 0.65). When compared with clinical indications, the observed overlap was weak (Matthew correlation coefficient, MCC = 0.0003, P > .10). Discussion: While drugs exhibit significant tissue specificity in vitro, there is little overlap with clinical indications. This can be attributed to factors such as underlying biological differences between in vitro models and patient tumors, or the inability of tissue-specific drugs to bring additional benefits beyond gold standard treatments during clinical trials. Conclusion: Our meta-analysis of pan-cancer drug screening datasets indicates that most tested drugs exhibit tissue-specific sensitivities in a large panel of cancer cell lines. However, the observed preclinical results do not translate to the clinical setting. Our results suggest that additional research into showing parallels between preclinical and clinical data is required to increase the translational potential of in vitro drug screening.
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 | 0,010 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».