High-Content Phenotypic Profiling in Esophageal Adenocarcinoma Identifies Selectively Active Pharmacological Classes of Drugs for Repurposing and Chemical Starting Points for Novel Drug Discovery
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Esophageal adenocarcinoma (EAC) is a highly heterogeneous disease, dominated by large-scale genomic rearrangements and copy number alterations. Such characteristics have hampered conventional target-directed drug discovery and personalized medicine strategies, contributing to poor outcomes for patients. We describe the application of a high-content Cell Painting assay to profile the phenotypic response of 19,555 compounds across a panel of six EAC cell lines and two tissue-matched control lines. We built an automated high-content image analysis pipeline to identify compounds that selectively modified the phenotype of EAC cell lines. We further trained a machine-learning model to predict the mechanism of action of EAC selective compounds using phenotypic fingerprints from a library of reference compounds. We identified a number of phenotypic clusters enriched with similar pharmacological classes, including methotrexate and three other antimetabolites that are highly selective for EAC cell lines. We further identify a small number of hits from our diverse chemical library that show potent and selective activity for EAC cell lines and that do not cluster with the reference library of compounds, indicating they may be selectively targeting novel esophageal cancer biology. Overall, our results demonstrate that our EAC phenotypic screening platform can identify existing pharmacologic classes and novel compounds with selective activity for EAC cell phenotypes.
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.
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 découle