The Missing Lnc: The Potential of Targeting Triple-Negative Breast Cancer and Cancer Stem Cells by Inhibiting Long Non-Coding RNAs
Notice bibliographique
Résumé
Treatment decisions for breast cancer are based on staging and hormone receptor expression and include chemotherapies and endocrine therapy. While effective in many cases, some breast cancers are resistant to therapy, metastasize and recur, leading to eventual death. Higher percentages of tumor-initiating cancer stem cells (CSCs) may contribute to the increased aggressiveness, chemoresistance, and worse outcomes among breast cancer. This may be particularly true in triple-negative breast cancers (TNBCs) which have higher percentages of CSCs and are associated with worse outcomes. In recent years, increasing numbers of long non-coding RNAs (lncRNAs) have been identified as playing an important role in breast cancer progression and some of these have been specifically associated within the CSC populations of breast cancers. LncRNAs are non-protein-coding transcripts greater than 200 nucleotides which can have critical functions in gene expression regulation. The preclinical evidence regarding lncRNA antagonists for the treatment of cancer is promising and therefore, presents a potential novel approach for treating breast cancer and targeting therapy-resistant CSCs within these tumors. Herein, we summarize the lncRNAs that have been identified as functionally relevant in breast CSCs. Furthermore, our review of the literature and analysis of patient datasets has revealed that many of these breast CSC-associated lncRNAs are also enriched in TNBC. Together, this suggests that these lncRNAs may be playing a particularly important role in TNBC. Thus, certain breast cancer-promoting/CSC-associated lncRNAs could be targeted in the treatment of TNBCs and the CSCs within these tumors should be susceptible to anti-lncRNA 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| 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 ».