MétaCan
Menu
Retour à la cohorte
Enregistrement W4392379573 · doi:10.1158/1538-7445.ovarian23-a101

Abstract A101: A novel ovarian cancer organotypic tumor slice culture model

2024· article· en· W4392379573 sur OpenAlexaff
Violaine Pourcel, Emile Létourneau, Dominique Jean, Marilyne Labrie

Notice bibliographique

RevueCancer Research · 2024
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCancer Research and Treatments
Établissements canadiensUniversité de Sherbrooke
Organismes subventionnairesnon disponible
Mots-clésOvarian cancerCancerMedicineOncologyCancer researchInternal medicine

Résumé

récupéré en direct d'OpenAlex

Abstract High-grade serous ovarian carcinoma (HGSOC) is the most common form of ovarian cancer (OC). This heterogeneous disease is associated with various molecular alterations influencing the disease course. Unfortunately, the impact of those molecular alterations on the response to therapy is still misunderstood. Few OC models allow control of genetic background in the cancer cells while preserving the tumor's architecture and microenvironment, including the immune cells. Furthermore, there is currently no high-throughput model that retains those characteristics and is suitable for drug screens. This project aims to develop a high-throughput syngeneic murine organotypic tumor slice culture model to study the impact of common HGSOC molecular alterations on anticancer drug responses. The pre-established Trp53−/− syngeneic OC mouse model has been genetically engineered to represent molecular alterations frequently found in HGSC. Ten variants were produced by overexpressing Tp53R172h and overexpressing oncogenes such as Ccne, Brd4, Myc, Ndrg1, and Pik3ca and/or deleting Brca1, Pten, and Nf1. After validation and characterization of the cells in vitro, we performed allografts in immunocompetent C57/bl6 mice and obtained tumors with HGSOC histology. The tumors were used to develop an organotypic tumor slice culture model. Briefly, each tumor is collected and thinly sliced with a vibratome. Each slice can be cultured for several days without significant cell death induction and can be used for a drug screen. Our preliminary data shows that the model preserves the HGSOC histology over six days and remains viable. A viability assay has also been developed to assess the sensitivity of the tumor slices to various anticancer drugs. In conclusion, this project will allow the development of a platform for screening anticancer therapies against HGSOC and will lead to a better understanding of the relationship between HGSOC's common molecular alterations and the responses to therapy. Citation Format: Violaine Pourcel, Emile Létourneau, Dominique Jean, Marilyne Labrie. A novel ovarian cancer organotypic tumor slice culture model [abstract]. In: Proceedings of the AACR Special Conference on Ovarian Cancer; 2023 Oct 5-7; Boston, Massachusetts. Philadelphia (PA): AACR; Cancer Res 2024;84(5 Suppl_2):Abstract nr A101.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,063
Tête enseignante GPT0,420
Écart entre enseignants0,356 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

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

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCancer ResearchMême sujetCancer Research and TreatmentsTravaux en français237 207