The functional GRHL3-filaggrin axis maintains a tumor differentiation potential and influences drug sensitivity
Notice bibliographique
Résumé
Current therapies for treating heterogeneous cancers such as head and neck squamous cell carcinoma (HNSCC) are non-selective and are administered independent of response biomarkers. Therapy resistance subsequently emerges, resulting in increased cellular proliferation that is associated with loss of differentiation. Whether a cancer cell differentiation potential can dictate therapy responsiveness is still currently unknown. A multi-omic approach integrating whole-genome and whole-transcriptome sequencing with drug sensitivity was employed in a HNSCC mouse model, primary patients' data, and human cell lines to assess the potential of functional differentiation in predicting therapy response. Interestingly, a subset of HNSCC with effective GRHL3-dependent differentiation was the most sensitive to inhibitors of PI3K/mTOR, c-Myc, and STAT3 signaling. Furthermore, we identified the GRHL3-differentiation target gene Filaggrin (FLG) as a response biomarker and more importantly, stratified HNSCC subsets as treatment resistant based on their FLG mutational profile. The loss of FLG in sensitive HNSCC resulted in a dramatic resistance to targeted therapies while the GRHL3-FLG signature predicted a favorable patient prognosis. This study provides evidence for a functional GRHL3-FLG tumor-specific differentiation axis that regulates targeted therapy response in HNSCC and establishes a rationale for clinical investigation of differentiation-paired targeted therapy in heterogeneous cancers.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».