Modeling High-Grade Serous Ovarian Carcinoma Using a Combination of <i>In Vivo</i> Fallopian Tube Electroporation and CRISPR-Cas9–Mediated Genome Editing
Notice bibliographique
Résumé
Abstract Ovarian cancer is the most lethal gynecologic cancer to date. High-grade serous ovarian carcinoma (HGSOC) accounts for most ovarian cancer cases, and it is most frequently diagnosed at advanced stages. Here, we developed a novel strategy to generate somatic ovarian cancer mouse models using a combination of in vivo electroporation and CRISPR-Cas9–mediated genome editing. Mutation of tumor suppressor genes associated with HGSOC in two different combinations (Brca1, Tp53, Pten with and without Lkb1) resulted in successfully generation of HGSOC, albeit with different latencies and pathophysiology. Implementing Cre lineage tracing in this system enabled visualization of peritoneal micrometastases in an immune-competent environment. In addition, these models displayed copy number alterations and phenotypes similar to human HGSOC. Because this strategy is flexible in selecting mutation combinations and targeting areas, it could prove highly useful for generating mouse models to advance the understanding and treatment of ovarian cancer. Significance: This study unveils a new strategy to generate genetic mouse models of ovarian cancer with high flexibility in selecting mutation combinations and targeting areas.
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 ».