Optimized low‐dose combinatorial drug treatment boosts selectivity and efficacy of colorectal carcinoma treatment
Notice bibliographique
Résumé
The current standard of care for colorectal cancer (CRC) is a combination of chemotherapeutics, often supplemented with targeted biological drugs. An urgent need exists for improved drug efficacy and minimized side effects, especially at late-stage disease. We employed the phenotypically driven therapeutically guided multidrug optimization (TGMO) technology to identify optimized drug combinations (ODCs) in CRC. We identified low-dose synergistic and selective ODCs for a panel of six human CRC cell lines also active in heterotypic 3D co-culture models. Transcriptome sequencing and phosphoproteome analyses showed that the mechanisms of action of these ODCs converged toward MAP kinase signaling and cell cycle inhibition. Two cell-specific ODCs were translated to in vivo mouse models. The ODCs reduced tumor growth by ~80%, outperforming standard chemotherapy (FOLFOX). No toxicity was observed for the ODCs, while significant side effects were induced in the group treated with FOLFOX therapy. Identified ODCs demonstrated significantly enhanced bioavailability of the individual components. Finally, ODCs were also active in primary cells from CRC patient tumor tissues. Taken together, we show that the TGMO technology efficiently identifies selective and potent low-dose drug combinations, optimized regardless of tumor mutation status, outperforming conventional chemotherapy.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 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 ».