Targeting Bioinformatics Predicted Biomarkers Associated with Cell Proliferation and Migration for Treating Gliomas: Preclinical Studies in a GL261 Mouse Model
Notice bibliographique
Résumé
We previously reported on the experimental validation of several in silico-predicted glioma biomarkers (e.g., Plexin-B2 (PLXNB2), SLIT3, and Spondin-1 (SPON1)) that were found to be higher in human high-grade gliomas (HGGs). In this study, we validated their therapeutic potential by investigating antibody therapies against these three biomarkers in a preclinical mouse GL261 high-grade glioma model. Efficacies for antibody therapies against these biomarkers were assessed by survival and tumor volumes, biomarker expressions, cell invasion and proliferation, and bioinformatics gene/protein associations. Antibodies against PLXNB2, SLIT3, or SPON1 were effective in significantly reducing tumor volumes and increasing animal survival. With immunohistochemistry (IHC), these biomarkers were highly expressed in human HGGs, as well as in mice tumors. From IHC, CD44v6 was significantly decreased for all three antibody treatments, compared to UT GL261 tumors. Bioinformatics suggested that targeting either PLXNB2 or SPON1 may have a major effect on HGG cell migration and invasion (validated with CD44v6 IHC), whereas targeting SLIT3, in addition to affecting cell invasion, may also affect cell proliferation (not validated with Ki67 IHC). These results indicate that targeting these three biomarkers could add to the therapeutic arsenal against high-grade gliomas and that antibodies against them could be considered for clinical translation.
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 | 0,000 |
| 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 ».