DIPG-35. IDENTIFYING DRIVER-SPECIFIC VULNERABILITIES IN PAEDIATRIC HIGH GRADE GLIOMA SUBTYPES
Notice bibliographique
Résumé
Abstract Paediatric high-grade gliomas (pHGGs) are incurable malignant brain tumours and a leading cause of cancer-related death in children. The majority of pHGGs carry lysine-to-methionine (K27M) or glycine-to-arginine/valine (G34R/V) mutations in histone variants H3.1 or H3.3. Moreover, histone mutations associate with different anatomical locations and co-segregating mutations defining distinct tumour subtypes within pHGG. However whether these co-occuring mutations can act as drivers to modify tumour phenotypes and drug sensitivities is currently unknown. In order to functionally evaluate the role of partner alterations and to identify new therapeutic targets, we developed in vivo tumour models of pHGG subtypes using in utero electroporation (IUE) in combination with piggyBac transposon and CRISPR technology. We also established ex vivo glioma stem cell (GSCs) lines from mouse models with different co-segregating mutations, able to engraft in syngeneic immune-competent mice. Then, we performed transcriptome analysis and drug screening identifying selective pharmacological vulnerabilities. Our approach represents a preclinical platform to evaluate subtype-specific precision therapies identifying new pathways involved in brain tumour initiation, progression and maintenance.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
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 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 ».