Synergistic drug combinations and machine learning for drug repurposing in chordoma
Notice bibliographique
Résumé
Abstract Chordoma is a devastating rare cancer that affects one in a million people. With a mean-survival of just 6 years and no approved medicines, the primary treatments are surgery and radiation. In order to speed new medicines to chordoma patients, a drug repurposing strategy represents an attractive approach. Drugs that have already advanced through human clinical safety trials have the potential to be approved more quickly than de novo discovered medicines on new targets. We have taken two strategies to enable this: (1) generated and validated machine learning models of chordoma inhibition and screened compounds of interest in vitro. (2) Tested combinations of approved kinase inhibitors already being individually evaluated for chordoma. Several published studies of compounds screened against chordoma cell lines were used to generate Bayesian Machine learning models which were then used to score compounds selected from the NIH NCATS industry-provided assets. Out of these compounds, the mTOR inhibitor AZD2014, was the most potent against chordoma cell lines (IC50 0.35 µM U-CH1 and 0.61 µM U-CH2). Several studies have shown the importance of the mTOR signaling pathway in chordoma and suggest it as a promising avenue for targeted therapy. Additionally, two currently FDA approved drugs, afatinib and palbociclib (EGFR and CDK4/6 inhibitors, respectively) demonstrated synergy in vitro (CI50 = 0.43) while AZD2014 and afatanib also showed synergy (CI50 = 0.41) against a chordoma cell in vitro. These findings may be of interest clinically, and this in vitro- and in silico approach could also be applied to other rare cancers.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».