Cooperative adaptation to therapy (CAT) confers resistance in heterogeneous non-small cell lung cancer
Notice bibliographique
Résumé
Understanding intrinsic and acquired resistance is crucial to overcoming cancer chemotherapy failure. While it is well-established that intratumor, subclonal genetic and phenotypic heterogeneity significantly contribute to resistance, it is not fully understood how tumor sub-clones interact with each other to withstand therapy pressure. Here, we report a previously unrecognized behavior in heterogeneous tumors: cooperative adaptation to therapy (CAT), in which cancer cells induce co-resistant phenotypes in neighboring cancer cells when exposed to cancer therapy. Using a CRISPR/Cas9 toolkit we engineered phenotypically diverse non-small cell lung cancer (NSCLC) cells by conferring mutations in Dicer1, a type III cytoplasmic endoribonuclease involved in small non-coding RNA genesis. We monitored three-dimensional growth dynamics of fluorescently-labeled mutant and/or wild-type cells individually or in co-culture using a substrate-free NanoCulture system under unstimulated or drug pressure conditions. By integrating mathematical modeling with flow cytometry, we characterized the growth patterns of mono- and co-cultures using a mathematical model of intra- and interspecies competition. Leveraging the flow cytometry data, we estimated the model's parameters to reveal that the combination of WT and mutants in co-cultures allowed for beneficial growth in previously drug sensitive cells despite drug pressure via induction of cell state transitions described by a cooperative game theoretic change in the fitness values. Finally, we used an ex vivo human tumor model that predicts clinical response through drug sensitivity analyses and determined that cellular and morphologic heterogeneity correlates to prognostic failure of multiple clinically-approved and off-label drugs in individual NSCLC patient samples. Together, these findings present a new paradox in drug resistance implicating non-genetic cooperation among tumor cells to thwart drug pressure, suggesting that profiling for druggable targets (i.e. mutations) alone may be insufficient to assign effective therapy.
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 | 0,000 | 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) | 0,000 | 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 ».