Defining and targeting adaptations to oncogenic KRAS <sup>G12C</sup> inhibition using quantitative temporal proteomics
Notice bibliographique
Résumé
ABSTRACT Covalent inhibitors of the KRAS G12C oncoprotein have recently been developed and are being evaluated in clinical trials. Resistance to targeted therapies is common and likely to limit long-term efficacy of KRAS inhibitors (KRASi). To identify pathways of adaptation to KRASi and to predict drug combinations that circumvent resistance, we used a mass spectrometry-based quantitative temporal proteomics and bioinformatics workflow to profile the temporal proteomic response to KRAS G12C inhibition in pancreatic and lung cancer 2D and 3D cellular models. We quantified 10,805 proteins across our datasets, representing the most comprehensive KRASi proteomics effort to date. Our data reveal common mechanisms of acute and long-term response between KRAS G12C -driven tumors. To facilitate discovery in the cancer biology community, we generated an interactive ‘KRASi proteome’ website ( https://manciaslab.shinyapps.io/KRASi/ ). Based on these proteomic data, we identified potent combinations of KRASi with PI3K, HSP90, CDK4/6, and SHP2 inhibitors, in some instances converting a cytostatic response to KRASi monotherapy to a cytotoxic response to combination treatment. Overall, using our quantitative temporal proteomics-bioinformatics platform, we have comprehensively characterized the proteomic adaptations to KRASi and identified combinatorial regimens to induce cytotoxicity with potential therapeutic utility.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».