Development of Actionable Targets of Multi-kinase Inhibitors (AToMI) screening platform to dissect kinase targets of staurosporines in glioblastoma cells
Notice bibliographique
Résumé
ABSTRACT Therapeutic resistance to kinase inhibitors constitutes a major unresolved clinical challenge in cancer and especially in glioblastoma. Multi-kinase inhibitors may be used for simultaneous targeting of multiple target kinase and thereby potentially overcome kinase inhibitor resistance. However, in most cases identification of the target kinases mediating therapeutic effects of multi-kinase inhibitors has been challenging. To tackle this important problem, we developed an Actionable Targets of Multi-kinase Inhibitors (AToMI) strategy and used it for characterization of glioblastoma target kinases of staurosporine derivatives displaying synergy with protein phosphatase 2A (PP2A) reactivation. AToMI consists of interchangeable modules combining drug-kinase interaction assay, siRNA high-throughput screening, bioinformatics analysis and validation screening with more selective target kinase inhibitors. As a result, AToMI analysis revealed AKT and mitochondrial pyruvate dehydrogenase kinase PDK1 and PDK4 as kinase targets of staurosporine derivatives UCN-01, CEP-701, and K252a that synergized with PP2A activation across heterogeneous glioblastoma cells. Based on these proof-of-principle results we propose that application and further development of AToMI for clinically applicable multi-kinase inhibitors could provide significant benefits in overcoming the challenge of lack of knowledge of target specificity of multi-kinase inhibitors.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».