Predicting individual-specific cardiotoxicity responses induced by tyrosine kinase inhibitors
Notice bibliographique
Résumé
Introduction: Tyrosine kinase inhibitor drugs (TKIs) are highly effective cancer drugs, yet many TKIs are associated with various forms of cardiotoxicity. The mechanisms underlying these drug-induced adverse events remain poorly understood. We studied mechanisms of TKI-induced cardiotoxicity by integrating several complementary approaches, including comprehensive transcriptomics, mechanistic mathematical modeling, and physiological assays in cultured human cardiac myocytes. Methods: Induced pluripotent stem cells (iPSCs) from two healthy donors were differentiated into cardiac myocytes (iPSC-CMs), and cells were treated with a panel of 26 FDA-approved TKIs. Drug-induced changes in gene expression were quantified using mRNA-seq, changes in gene expression were integrated into a mechanistic mathematical model of electrophysiology and contraction, and simulation results were used to predict physiological outcomes. Results: Experimental recordings of action potentials, intracellular calcium, and contraction in iPSC-CMs demonstrated that modeling predictions were accurate, with 81% of modeling predictions across the two cell lines confirmed experimentally. Surprisingly, simulations of how TKI-treated iPSC-CMs would respond to an additional arrhythmogenic insult, namely, hypokalemia, predicted dramatic differences between cell lines in how drugs affected arrhythmia susceptibility, and these predictions were confirmed experimentally. Computational analysis revealed that differences between cell lines in the upregulation or downregulation of particular ion channels could explain how TKI-treated cells responded differently to hypokalemia. Discussion: Overall, the study identifies transcriptional mechanisms underlying cardiotoxicity caused by TKIs, and illustrates a novel approach for integrating transcriptomics with mechanistic mathematical models to generate experimentally testable, individual-specific predictions of adverse event risk.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».