Comparison of CX-4945 and SGC-CK2-1 as inhibitors of CSNK2 using quantitative phosphoproteomics: Triple SILAC in combination with inhibitor-resistant CSNK2
Notice bibliographique
Résumé
Specificity is a limiting factor when using small-molecule inhibitors to study protein kinase signalling. Since inhibitor-resistant kinase mutants (i.e., drug-resistant alleles) remain active in the presence of inhibitor, they facilitate validation of on-target effects. By combining an inhibitor-resistant kinase mutant with mass spectrometry-based phosphoproteomics, we previously devised a systematic strategy for reliable identification and validation of CSNK2 substrates. In this study, we use the same strategy to evaluate the selectivity of CX-4945, a clinical stage CSNK2 inhibitor, and SGC-CK2-1, a chemical probe selectively targeting CSNK2. Human osteosarcoma (U2OS) cells expressing exogenous wild-type CSNK2A1 (WT) or an inhibitor-resistant triple mutant (TM, V66A/H160D/I174A) were treated with CX-4945 or SGC-CK2-1 prior to analysis using triple SILAC (phospho)proteomics. The minority of phosphosites, 15% at 4 h and 5% at 24 h, that were significantly downregulated in response to CX-4945 treatment were determined to be CSNK2A1-dependent. By comparison, the majority of phosphosites, >55% at both 4 and 24 h, that were significantly downregulated in response to SGC-CK2-1 were identified as CSNK2A1-dependent. This indicates that SGC-CK2-1 exhibits significantly greater selectivity towards CSNK2A1 than CX-4945. Notably, utilization of SGC-CK2-1 in cells expressing CSNK2A1-TM enabled the identification of >300 CSNK2A1-dependent phosphosites. Overall, this study highlights the utility of exploiting highly selective chemical probes together with inhibitor-resistant kinase mutants to facilitate identification of bona fide kinase substrates.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».