NOTCH Signaling Limits the Response of Low-Grade Serous Ovarian Cancers to MEK Inhibition
Notice bibliographique
Résumé
Low-grade serous ovarian cancer (LGSOC) is a rare subtype of epithelial ovarian cancer with high fatality rates in advanced stages due to its chemoresistant properties. LGSOC is characterized by activation of MAPK signaling, and recent clinical trials indicate that the MEK inhibitor (MEKi) trametinib may be a good treatment option for a subset of patients. Understanding MEKi-resistance mechanisms and subsequent identification of rational drug combinations to suppress resistance may greatly improve LGSOC treatment strategies. Both gain-of-function and loss-of-function CRISPR-Cas9 genome-wide libraries were used to screen LGSOC cell lines to identify genes that modulate the response to MEKi. Overexpression of MAML2 and loss of MAP3K1 were identified, both leading to overexpression of the NOTCH target HES1, which has a causal role in this process as its knockdown reversed MEKi resistance. Interestingly, increased HES1 expression was also observed in selected spontaneous trametinib-resistant clones, next to activating MAP2K1 (MEK1) mutations. Subsequent trametinib synthetic lethality screens identified SHOC2 downregulation as being synthetic lethal with MEKis. Targeting SHOC2 with pan-RAF inhibitors (pan-RAFis) in combination with MEKi was effective in parental LGSOC cell lines, in MEKi-resistant derivatives, in primary ascites cultures from patients with LGSOC, and in LGSOC (cell line-derived and patient-derived) xenograft mouse models. We found that the combination of pan-RAFi with MEKi downregulated HES1 levels in trametinib-resistant cells, providing an explanation for the synergy that was observed. Combining MEKis with pan-RAFis may provide a promising treatment strategy for patients with LGSOC, which warrants further clinical validation.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».