Multiomics Characterization of Low-Grade Serous Ovarian Carcinoma Identifies Potential Biomarkers of MEK Inhibitor Sensitivity and Therapeutic Vulnerability
Notice bibliographique
Résumé
Abstract Low-grade serous ovarian carcinoma (LGSOC) is a rare tumor subtype with high case fatality rates in patients with metastatic disease. There is a pressing need to develop effective treatments using newly available preclinical models for therapeutic discovery and drug evaluation. Here, we use multiomics integration of whole-exome sequencing, RNA sequencing, and mass spectrometry–based proteomics on 14 LGSOC cell lines to elucidate novel biomarkers and therapeutic vulnerabilities. Comparison of LGSOC cell line data with LGSOC tumor data enabled predictive biomarker identification of MEK inhibitor (MEKi) efficacy, with KRAS mutations found exclusively in MEKi-sensitive cell lines and NRAS mutations found mostly in MEKi-resistant cell lines. Distinct patterns of Catalogue of Somatic Mutations in Cancer mutational signatures were identified in MEKi-sensitive and MEKi-resistant cell lines. Deletions of CDKN2A/B and MTAP genes were more frequent in cell lines than tumor samples and possibly represent key driver events in the absence of KRAS/NRAS/BRAF mutations. These LGSOC cell lines were representative models of the molecular aberrations found in LGSOC tumors. For prediction of in vitro MEKi efficacy, proteomic data provided better discrimination than gene expression data. Condensin, minichromosome maintenance, and replication factor C protein complexes were identified as potential treatment targets in MEKi-resistant cell lines. This study suggests that CDKN2A/B or MTAP deficiency may be exploited using synthetically lethal treatment strategies, highlighting the importance of using proteomic data as a tool for molecular drug prediction. Multiomics approaches are crucial to improving our understanding of the molecular underpinnings of LGSOC and applying this information to develop new therapies. Significance: These findings highlight the utility of global multiomics to characterize LGSOC cell lines as research models, to determine biomarkers of MEKi resistance, and to identify potential novel therapeutic targets.
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 | 0,000 |
| 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) | 0,001 | 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 ».