Base excision repair accessory factors in senescence avoidance and resistance to treatments
Notice bibliographique
Résumé
Cancer cells, in which the RAS and PI3K pathways are activated, produce high levels of reactive oxygen species (ROS), which cause oxidative DNA damage and ultimately cellular senescence. This process has been documented in tissue culture, mouse models, and human pre-cancerous lesions. In this context, cellular senescence functions as a tumour suppressor mechanism. Some rare cancer cells, however, manage to adapt to avoid senescence and continue to proliferate. One well-documented mode of adaptation involves increased production of antioxidants often associated with inactivation of the KEAP1 tumour suppressor gene and the resulting upregulation of the NRF2 transcription factor. In this review, we detail an alternative mode of adaptation to oxidative DNA damage induced by ROS: the increased activity of the base excision repair (BER) pathway, achieved through the enhanced expression of BER enzymes and DNA repair accessory factors. These proteins, exemplified here by the CUT domain proteins CUX1, CUX2, and SATB1, stimulate the activity of BER enzymes. The ensued accelerated repair of oxidative DNA damage enables cancer cells to avoid senescence despite high ROS levels. As a by-product of this adaptation, these cancer cells exhibit increased resistance to genotoxic treatments including ionizing radiation, temozolomide, and cisplatin. Moreover, considering the intrinsic error rate associated with DNA repair and translesion synthesis, the elevated number of oxidative DNA lesions caused by high ROS leads to the accumulation of mutations in the cancer cell population, thereby contributing to tumour heterogeneity and eventually to the acquisition of resistance, a major obstacle to clinical treatment.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».