Multiomics Characterization of Potential Therapeutic Vulnerabilities in Low-grade Serous Ovarian Carcinoma
Notice bibliographique
Résumé
Abstract Background Low-grade serous ovarian carcinoma (LGSOC) is a rare tumor subtype with high case fatality rates. As such, there is a pressing need to develop more effective treatments using newly available preclinical models for therapeutic discovery and drug evaluation. Here, we use a multiomics approach to interrogate a collection of LGSOC patient-derived cell lines to elucidate novel biomarkers and therapeutic vulnerabilities. Methods Fourteen LGSOC cell lines were interrogated using whole exome sequencing, RNA sequencing, and mass spectrometry-based proteomics. Somatic mutation, copy-number aberrations, gene and protein expression were analyzed and integrated using different computational approaches. LGSOC cell line data was compared to publicly available LGSOC tumor data (AACR GENIE cohort), and also used for predictive biomarker identification of MEK inhibitor (MEKi) efficacy. Protein interaction databases were evaluated to identify novel therapeutic targets. Results KRAS mutations were exclusively found in MEKi-sensitive and NRAS mutations mostly in MEKi-resistant cell lines. Analysis of COSMIC mutational signatures revealed distinct patterns of nucleotide substitution mutations in MEKi-sensitive and MEKi-resistant cell lines. Deletions of CDKN2A/B and MTAP genes (chromosome 9p21) were much more frequent in cell lines than tumor samples and possibly represent key driver events in the absence of KRAS/NRAS/BRAF mutations. For in-vitro MEKi efficacy prediction, proteomic data provided better discrimination than gene expression data. Condensin, MCM, and RFC protein complexes were identified as potential treatment targets in MEKi-resistant cell lines. Conclusions Our LGSOC cell lines are representative models of the most common molecular aberrations found in LGSOC tumors. This study highlights the importance of using proteomic data in multiomics assessment of drug prediction and identification of potential therapeutic targets. CDKN2A/B and MTAP deficiency offer an opportunity to find synthetically lethal candidates for novel treatments. Multiomics approaches are crucial to improving our understanding of the molecular aberrations in LGSOC, establishing effective drug prediction programs and identifying novel therapeutic targets in LGSOC.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».