A Multipronged Unbiased Strategy Guides the Development of an Anti-EGFR/EPHA2–Bispecific Antibody for Combination Cancer Therapy
Notice bibliographique
Résumé
PURPOSE: Accumulating analyses of pro-oncogenic molecular mechanisms triggered a rapid development of targeted cancer therapies. Although many of these treatments produce impressive initial responses, eventual resistance onset is practically unavoidable. One of the main approaches for preventing this refractory condition relies on the implementation of combination therapies. This includes dual-specificity reagents that affect both of their targets with a high level of selectivity. Unfortunately, selection of target combinations for these treatments is often confounded by limitations in our understanding of tumor biology. Here, we describe and validate a multipronged unbiased strategy for predicting optimal co-targets for bispecific therapeutics. EXPERIMENTAL DESIGN: Our strategy integrates ex vivo genome-wide loss-of-function screening, BioID interactome profiling, and gene expression analysis of patient data to identify the best fit co-targets. Final validation of selected target combinations is done in tumorsphere cultures and xenograft models. RESULTS: Integration of our experimental approaches unambiguously pointed toward EGFR and EPHA2 tyrosine kinase receptors as molecules of choice for co-targeting in multiple tumor types. Following this lead, we generated a human bispecific anti-EGFR/EPHA2 antibody that, as predicted, very effectively suppresses tumor growth compared with its prototype anti-EGFR therapeutic antibody, cetuximab. CONCLUSIONS: Our work not only presents a new bispecific antibody with a high potential for being developed into clinically relevant biologics, but more importantly, successfully validates a novel unbiased strategy for selecting biologically optimal target combinations. This is of a significant translational relevance, as such multifaceted unbiased approaches are likely to augment the development of effective combination therapies for cancer treatment. See related commentary by Kumar, p. 2570.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».