MEK reduces cancer-specific PpIX accumulation through the RSK-ABCB1 and HIF-1α-FECH axes
Notice bibliographique
Résumé
Abstract The efficacy of aminolevulinic acid (5-ALA)-based photodynamic diagnosis (5-ALA-PDD) and photodynamic therapy (5-ALA-PDT) is dependent on the 5-ALA-induced cancer-specific accumulation of protoporphyrin IX (PpIX). We previously reported that inhibition of oncogenic Ras/MEK increases PpIX accumulation in cancer cells by reducing PpIX efflux through ATP-binding cassette sub-family B member 1 (ABCB1) as well as PpIX conversion to heme by ferrochelatase (FECH). Here, we sought to identify the downstream pathways of Ras/MEK involved in the regulation of PpIX accumulation via ABCB1 and FECH. First, we demonstrated that Ras/MEK activation reduced PpIX accumulation in RasV12-transformed NIH3T3 cells and HRAS transgenic mice. Knockdown of p90 ribosomal S6 kinases (RSK) 2, 3, or 4 increased PpIX accumulation in the RasV12-transformed NIH3T3 cells. Further, treatment with an RSK inhibitor reduced ABCB1 expression and increased PpIX accumulation. Moreover, HIF-1α expression was reduced when the RasV12-transformed NIH3T3 cells were treated with a MEK inhibitor, demonstrating that HIF-1α is a downstream element of MEK. HIF-1α inhibition decreased the activity of FECH and increased PpIX accumulation. Finally, we demonstrated the involvement of RSKs and HIF-1α in the regulation of PpIX accumulation in human cancer cell lines (DLD-1, SNB-75, Hs 578T, and MDA MB 231). These results demonstrate that the RSK-ABCB1 and HIF-1α-FECH axes are the downstream pathways of Ras/MEK involved in the regulation of PpIX accumulation.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».