Reprogramming of Acute Myeloid Leukemia Patients Cells: Harboring Cancer Mutations Requires Targeting of AML Hierarchy
Notice bibliographique
Résumé
Screening of primary patient acute myeloid leukemia (AML) cells is challenging based on intrinsic characteristics of human AML disease and patient-specific conditions required to sustain AML cells in culture. This is further complicated by inter- and intra-patient heterogeneity, and "contaminating" normal cells devoid of molecular AML mutations. Derivation of induced pluripotent stem cells (iPSCs) from human somatic cells has provided approaches for the development of patient-specific models of disease biology and has recently included AML. Although reprogramming patient-derived cancer cells to pluripotency allows for aspects of disease modeling, the major limitation preventing applications and deeper insights using AML-iPSCs is the rarity of success and limited subtypes of AML disease that can be captured by reprogramming to date. Here, we tested and refined methods including de novo, xenografting, naïve versus prime states and prospective isolation for reprogramming AML cells using a total of 22 AML patient samples representing the wide variety of cytogenetic abnormalities. These efforts allowed us to derive genetically matched healthy control (isogenic) lines and capture clones found originally in patients with AML. Using fluorescently activated cell sorting, we revealed that AML reprogramming is linked to the differentiation state of diseased tissue, where use of myeloid marker CD33 compared to the stem cell marker, CD34, reduces reprogramming capture of AML+ clones. Our efforts provide a platform for further optimization of AML-iPSC generation, and a unique library of iPSC derived from patients with AML for detailed cellular and molecular study.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».