Decitabine Response in Breast Cancer Requires Efficient Drug Processing and Is Not Limited by Multidrug Resistance
Notice bibliographique
Résumé
Dysregulation of DNA methylation is an established feature of breast cancers. DNA demethylating therapies like decitabine are proposed for the treatment of triple-negative breast cancers (TNBC) and indicators of response need to be identified. For this purpose, we characterized the effects of decitabine in a panel of 10 breast cancer cell lines and observed a range of sensitivity to decitabine that was not subtype specific. Knockdown of potential key effectors demonstrated the requirement of deoxycytidine kinase (DCK) for decitabine response in breast cancer cells. In treatment-naïve breast tumors, DCK was higher in TNBCs, and DCK levels were sustained or increased post chemotherapy treatment. This suggests that limited DCK levels will not be a barrier to response in patients with TNBC treated with decitabine as a second-line treatment or in a clinical trial. Methylome analysis revealed that genome-wide, region-specific, tumor suppressor gene-specific methylation, and decitabine-induced demethylation did not predict response to decitabine. Gene set enrichment analysis of transcriptome data demonstrated that decitabine induced genes within apoptosis, cell cycle, stress, and immune pathways. Induced genes included those characterized by the viral mimicry response; however, knockdown of key effectors of the pathway did not affect decitabine sensitivity suggesting that breast cancer growth suppression by decitabine is independent of viral mimicry. Finally, taxol-resistant breast cancer cells expressing high levels of multidrug resistance transporter ABCB1 remained sensitive to decitabine, suggesting that the drug could be used as second-line treatment for chemoresistant patients.
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 ».