Targeting BET Proteins Downregulates miR-33a To Promote Synergy with PIM Inhibitors in CMML
Notice bibliographique
Résumé
PURPOSE: Preclinical studies in myeloid neoplasms have demonstrated efficacy of bromodomain and extra-terminal protein inhibitors (BETi). However, BETi demonstrates poor single-agent activity in clinical trials. Several studies suggest that combination with other anticancer inhibitors may enhance the efficacy of BETi. EXPERIMENTAL DESIGN: To nominate BETi combination therapies for myeloid neoplasms, we used a chemical screen with therapies currently in clinical cancer development and validated this screen using a panel of myeloid cell line, heterotopic cell line models, and patient-derived xenograft models of disease. We used standard protein and RNA assays to determine the mechanism responsible for synergy in our disease models. RESULTS: We identified PIM inhibitors (PIMi) as therapeutically synergistic with BETi in myeloid leukemia models. Mechanistically, we show that PIM kinase is increased after BETi treatment, and that PIM kinase upregulation is sufficient to induce persistence to BETi and sensitize cells to PIMi. Furthermore, we demonstrate that miR-33a downregulation is the underlying mechanism driving PIM1 upregulation. We also show that GM-CSF hypersensitivity, a hallmark of chronic myelomonocytic leukemia (CMML), represents a molecular signature for sensitivity to combination therapy. CONCLUSIONS: Inhibition of PIM kinases is a potential novel strategy for overcoming BETi persistence in myeloid neoplasms. Our data support further clinical investigation of this combination.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».