Improving Cancer Epigenetic Therapy; A Glimpse of NRF2
Notice bibliographique
Résumé
One of the mechanisms used by epigenetic therapy is the elevation of host cell-derived double stranded RNA (dsRNA) baseline levels through overexpression of genomic repetitive elements especially Alu retroelements. The dsRNAs trigger immunogenic responses since immune system cannot distinguish between endogenous and exogenous dsRNAs derived from viral infections; hence called “Viral mimicry response”. These dsRNAs are recognized by pattern recognition receptors (PRRs) such as MDA-5 which further induce inflammatory responses through interferon secretion. However, the response is limited through the function of some editing enzymes such as ADAR1 which destabilizes the formation of dsRNAs and renders the therapy less efficient through attenuating interferon secretion by immune cells. Since, some cancer cells can survive even after ADAR1 inhibition, it is speculated that there might be other mechanism which contribute to dsRNA destabilization. Since dsRNA formation derived from retroelement transcripts mimics viral infections, we tried to review the mechanistic approaches applied during host-pathogen interaction to highlight a possible candidate which might be cogitable for further investigations in epigenetic therapy. dsRNAs produced by RNA viruses are sensed by PRRs and activate nuclear factor erythroid 2 p45-related factor 2 (NRF2) which further downregulates STING protein and attenuates IFN release. RNA viruses such as SARS-CoV-2 have the potential to impair NRF2 signaling and eliminate its inhibitory effect from STING, leading to excessive release of IFNs and destroy pulmonary cells through cytokine release storm (CRS). Here, we briefly explain that NRF2, in a very downstream side of anti-viral response, might be a potential candidate target in combination with epigenetic therapy to circumvent the limitations in cancer epigenetic therapy.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».