Nanoparticles Loaded with Wnt and YAP/Mevalonate Inhibitors in Combination with Paclitaxel Stop the Growth of TNBC Patient‐Derived Xenografts and Diminish Tumorigenesis
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
Abstract Triple negative breast cancer (TNBC) accounts for the majority of breast cancer‐related deaths and remains the hardest breast cancer to treat due to the lack of specific therapeutic targets. While chemotherapy is the mainstay of systemic treatment for TNBC, it is associated with chemotherapy‐induced cancer stem cells (CSCs) and tumor regeneration. Here, it is found that Wnt and YAP target genes that have been closely associated with CSCs are highly expressed in TNBC patient tumors and negatively correlated with patient survival. Therefore, a nanotherapeutic strategy is employed, using nanomaterials that are approved by the FDA, and two co‐delivery nanoparticle platforms (NPs) are developed to target TNBC. These NPs contain Wnt inhibitor PRI‐724 (in clinical trials) and YAP/mevalonate inhibitor simvastatin (FDA‐approved). Toward clinical translation, nanotherapeutic efficacy is assessed in clinically relevant patient‐derived xenograft (PDX) models. These NPs in combination with the chemotherapeutic drug paclitaxel effectively halt the growth of both paclitaxel‐resistant and paclitaxel‐sensitive PDX tumors, and diminish the paclitaxel‐induced CSC enrichment around two to fourfold. Importantly, NPs also decrease the paclitaxel‐enhanced PDX tumorigenesis after secondary transplantation. Together, this study demonstrates the efficacy of two NP platforms using clinically translatable TNBC PDX models, suggesting their application potential for the treatment of TNBC.
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