Machine-Learning and Chemicogenomics Approach Defines and Predicts Cross-Talk of Hippo and MAPK Pathways
Notice bibliographique
Résumé
Abstract Hippo pathway dysregulation occurs in multiple cancers through genetic and nongenetic alterations, resulting in translocation of YAP to the nucleus and activation of the TEAD family of transcription factors. Unlike other oncogenic pathways such as RAS, defining tumors that are Hippo pathway–dependent is far more complex due to the lack of hotspot genetic alterations. Here, we developed a machine-learning framework to identify a robust, cancer type–agnostic gene expression signature to quantitate Hippo pathway activity and cross-talk as well as predict YAP/TEAD dependency across cancers. Further, through chemical genetic interaction screens and multiomics analyses, we discover a direct interaction between MAPK signaling and TEAD stability such that knockdown of YAP combined with MEK inhibition results in robust inhibition of tumor cell growth in Hippo dysregulated tumors. This multifaceted approach underscores how computational models combined with experimental studies can inform precision medicine approaches including predictive diagnostics and combination strategies. Significance: An integrated chemicogenomics strategy was developed to identify a lineage-independent signature for the Hippo pathway in cancers. Evaluating transcriptional profiles using a machine-learning method led to identification of a relationship between YAP/TAZ dependency and MAPK pathway activity. The results help to nominate potential combination therapies with Hippo pathway inhibition. This article is highlighted in the In This Issue feature, p. 521
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) | 0,000 | 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 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 ».