Novel strategy for rapid functional in vivo validation of oncogenic drivers in haematological malignancies
Notice bibliographique
Résumé
Abstract In cancer research, it remains challenging to functionally validate putative novel oncogenic drivers and to establish relevant preclinical models for evaluation of novel therapeutic strategies. Here, we describe an optimized and efficient pipeline for the generation of novel conditional overexpression mouse models in which putative oncogenes, along with an eGFP/Luciferase dual reporter, are expressed from the endogenous ROSA26 (R26) promoter. The efficiency of this approach was demonstrated by the generation and validation of novel R26 knock-in (KI) mice that allow conditional overexpression of Jarid2 , Runx2 , MN1 and a dominant negative allele of ETV6. As proof of concept, we confirm that MN1 overexpression in the hematopoietic lineage is sufficient to drive myeloid leukemia. In addition, we show that T-cell specific activation of MN1 in combination with loss of Pten increases tumour penetrance and stimulates the formation of Lyl1 + murine T-cell lymphoblastic leukemias or lymphomas (T-ALL/T-LBL). Finally, we demonstrate that these luciferase-positive murine AML and T-ALL/T-LBL cells are transplantable into immunocompromised mice allowing preclinical evaluation of novel anti-leukemic drugs in vivo .
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 | 0,000 |
| 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 | 0,000 |
| 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 ».