Ubash3b promotes TPA-mediated suppression of leukemogenesis through accelerated downregulation of PKCδ protein
Notice bibliographique
Résumé
Acquired drug-resistance, often involving downregulation or mutations in the target protein, is a major caveat in precision medicine. Understanding mechanisms of resistance to therapeutic drugs may unravel strategies to overcome or prevent them. We previously identified phorbol ester (PE) compounds such as TPA that induce Protein Kinase δ (PKCδ), thereby suppressing leukemogenesis. Here we identified erythroleukemia cell lines that resist PEs and showed that reduced PKCδ protein expression underlies drug resistance. Reduced level of PKCδ in resistant cell lines was due to its phosphorylation followed by protein degradation. Indeed, proteasome inhibition prevented PE-induced loss of PKCδ. Accordingly, a combination of TPA and the proteasome inhibitor ALLN significantly suppressed leukemia in a mouse model of leukemia. PKCδ downregulation by TPA was independent of the downstream MAPK/ERK/P38/JNK pathway. Instead, expression of ubiquitin-associated and SH3 domain-containing protein b (Ubash3b) was induced by TPA, which leads to PKCδ protein dephosphorylation and degradation. This specific degradation was blocked by RNAi-mediated depletion of Ubash3b. In drug-sensitive leukemic cells, TPA did not induce Ubash3b, and consequently, PKCδ levels remained high. A PE-resistant cell line derived from PE-treated sensitive cells exhibited very low PKCδ expression. In these drug resistance cells, a Ubash3b independent mechanism led to PKCδ degradation. Thus, PE compounds in combination with proteasome or specific inhibitors for Ubash3b, or other factors can overcome resistance to TPA, leading to durable suppression of leukemic growth. These results identify Ubash3b as a potential target for drug development.
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 ».