NGMA-5. An <i>in vivo</i> functional genomics screen to identify novel drivers of lung-to-brain metastasis
Notice bibliographique
Résumé
Abstract Introduction Brain metastases, the most common tumors of the central nervous system, occur in approximately 20% of primary adult cancers. In particular, 40% of patients with non-small cell lung cancer develop brain metastasis. As systemic therapies for the treatment of non-small cell lung cancer become increasingly effective at controlling primary disease, patients are ironically succumbing to their brain metastases. This highlights a large unmet need to develop novel targeted therapies for the treatment of lung-to-brain metastases (LBM). We hypothesize that an in vivo functional genomic screen can identify novel genes that drive LBM. Methods To do this, we developed a patient-derived xenograft (PDX) mouse model of LBM using patient lung cancer cell lines. This PDX model of LBM enables the use of fluorescent and bioluminescent in vivo imaging to track the progression of lung tumor and brain metastases. Results We have performed an in vivo genome-wide CRISPR activation screening to identify novel drivers of LBM. We will derive candidate genes through mouse brain and lung tissue sequencing after mice reach endpoint. Expected Area of findings This platform will lead to potential therapeutic targets to prevent the formation of LBM and prolong the survival of patients with non-small cell lung cancer. Conclusion To the best of our knowledge, this is the first genome-wide in vivo CRISPR activation screen searching for drivers of LBM using a PDX animal model. This study can provide a framework to gain a deeper understanding of the regulators of BM formation which will hopefully lead to targeted drug discovery.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».