MétaCan
Menu
Retour à la cohorte
Enregistrement W4383187429 · doi:10.1158/0008-5472.can-23-1066

Repurposing Two Old Friends to Fight Cancer: Caffeine and Statins

2023· letter· en· W4383187429 sur OpenAlexafffund
Derek W. Stouth, Paul Lebeau, Richard C. Austin

Notice bibliographique

RevueCancer Research · 2023
Typeletter
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCancer, Lipids, and Metabolism
Établissements canadiensHamilton Health SciencesSt. Joseph’s Healthcare Hamilton
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésMevalonate pathwayStatinRepurposingCaffeineCancerPrenylationMedicinePharmacologyHMG-CoA reductaseCholesterolLimitingLovastatinDrug repositioningReductaseCancer researchEnzymeDrugChemistryBiologyInternal medicineBiochemistry

Résumé

récupéré en direct d'OpenAlex

Statins are a class of cholesterol-lowering drugs that inhibit 3-hydroxy-3-methylglutaryl-CoA reductase, the rate-limiting enzyme of the mevalonate pathway. Evidence suggests that certain cancers depend on the mevalonate pathway for growth and survival, and thus blocking the mevalonate pathway with statins may offer a viable therapeutic approach for treating cancer, or at least enhance the efficacy of existing cancer drugs. In this issue of Cancer Research, Tran and colleagues showed that caffeine works jointly with FOXM1 inhibition to enhance the antitumor activity of statins in neuroblastoma cells. They found that caffeine synergizes with statins by suppressing statin-induced feedback activation of the mevalonate pathway. Here, we reflect on the potential of combining caffeine and statin drugs as a strategy for potentiating anticancer activity. See related article by Tran et al., p. 2248.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Commentaire · Signal consensuel: aucune
Score de désaccord entre enseignants0,389
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,058
Tête enseignante GPT0,411
Écart entre enseignants0,353 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreCommentaire

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCancer ResearchMême sujetCancer, Lipids, and MetabolismTravaux en français237 207