MétaCan
Menu
Retour à la cohorte
Enregistrement W2954192475 · doi:10.1158/1538-7445.am2019-4604

Abstract 4604: Kidney injury molecule-1 regulates metastasis in renal cell carcinoma

2019· article· en· W2954192475 sur OpenAlexaff
Jasper C. Lee, Marie A. Sarabusky, Audrey Champagne, Fabrice Lucien, Lakshman Gunaratnam

Notice bibliographique

RevueCancer Research · 2019
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueRenal and related cancers
Établissements canadiensUniversité LavalWestern University
Organismes subventionnairesnon disponible
Mots-clésExtravasationMedicineRenal cell carcinomaMetastasisPathologyKidneyCellCancerCancer researchInternal medicineBiology

Résumé

récupéré en direct d'OpenAlex

Abstract Over 30% of patients with renal cell carcinoma (RCC) present with metastases, with median survival of 2 years. Kidney injury molecule 1 (KIM-1) is a cell-surface glycoprotein expressed by >85% of RCC tumours and may serve as an early biomarker for RCC detection. Here we sought to determine if tumour KIM-1 plays a role in RCC cell extravasation and metastasis to lungs. Methods: We overexpressed KIM-1 in Renca cells (murine RCC) using stable transfection of an expression plasmid, or silenced endogenous KIM-1 in human 769-P and 786-O RCC cells using shRNA. We studied extravasation using the chorioallantoic membrane (CAM) model. We injected ~1x105 Renca or 769-P cells into blood vessels of chicken embryos (n=6), and measured percentage of cells that exited the capillary bed into surrounding spaces after 24 hours. To study lung metastasis, we injected ~5x105 Renca or 786-O cells intravenously through the tail vein of syngeneic BALB/c (n=10/group) or immune deficient Rag1-/- [BALB/c] (n=5/group) mice, and manually counted metastatic nodules in excised lungs after 17 days. Finally, we analyzed the publicly available Cancer Genome Atlas Illumina RNA-Seq dataset to determine if KIM-1 mRNA expression predicts overall survival in patients with clear cell RCC. Results: In CAM experiments, extravasation efficiency was significantly decreased in KIM-1pos 769-P cells compared to KIM-1neg 769-P cells (30.08% vs. 47.94%; p=0.0004), and in KIM-1pos Renca cells compared to KIM-1neg Renca cells (47.78% vs 60.73%; p=0.042). BALB/c mice injected with Kim-1pos Renca cells or Kim-1pos 786-O cells had significantly fewer lung metastases compared to mice injected with Kim-1neg Renca cells or Kim-1neg 786-O cells, respectively (257 vs 429, p=0.02; 131 vs 339 p=0.001). The inhibitory effect of KIM-1 expression in Renca and 786-O cells on numbers of lung metastases was similar in Rag1-/- mice, suggesting that the observed effects were not dependent on adaptive immunity. In the TCGA database, patients with the lowest vs. highest tertile of KIM-1 RCC expression has significantly higher mortality (unadjusted HR 1.82, 95% CI 1.23-2.70; p=0.0034). Conclusion: KIM-1 is a negative regulator of cell extravasation and inhibits the development of lung metastases in mice, and KIM-1 expression in human RCC may predict better survival. Deciphering the underlying mechanisms may lead to novel therapies. Citation Format: Jasper C. Lee, Marie A. Sarabusky, Audrey Champagne, Fabrice Lucien, Lakshman Gunaratnam. Kidney injury molecule-1 regulates metastasis in renal cell carcinoma [abstract]. In: Proceedings of the American Association for Cancer Research Annual Meeting 2019; 2019 Mar 29-Apr 3; Atlanta, GA. Philadelphia (PA): AACR; Cancer Res 2019;79(13 Suppl):Abstract nr 4604.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,325
Écart entre enseignants0,305 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCancer ResearchMême sujetRenal and related cancersTravaux en français237 207