PKA inhibition kills l-asparaginase-resistant leukemic cells from relapsed acute lymphoblastic leukemia patients
Notice bibliographique
Résumé
Abstract Despite the success in treating newly diagnosed pediatric acute lymphoblastic leukemia (aLL), the long-term cure rate for the 20% of children who relapse is poor, making relapsed aLL the primary cause of cancer death in children. By unbiased genome-wide retroviral RNAi screening and knockdown studies, we previously discovered opioid receptor mu 1 (OPRM1) as a new aLL cell resistance biomarker for the aLL chemotherapeutic drug, l -asparaginase, i.e., OPRM1 loss triggers l -asparaginase resistance. Indeed, aLL cell OPRM1 level is inversely proportional to l -asparaginase IC50: the lower the OPRM1 level, the higher the l -asparaginase IC50, indicating that aLL cells expressing reduced OPRM1 levels show resistance to l -asparaginase. In the current study, we utilized OPRM1-expressing and -knockdown aLL cells as well as relapsed patient aLL cells to identify candidate targeted therapy for l -asparaginase-resistant aLL. In OPRM1-expressing cells, l -asparaginase induces apoptosis via a cascade of events that include OPRM1-mediated decline in [cAMP] i , downregulation of PKA-mediated BAD S 118 phosphorylation that can be reversed by 8-CPT-cAMP, cyt C release from the mitochondria, and subsequent caspase activation and PARP1 cleavage. The critical role of PKA inhibition due to a decrease in [cAMP] i in this apoptotic process is evident in the killing of OPRM1-knockdown and low OPRM1-expressing relapsed patient aLL cells by the PKA inhibitors, H89 and 14–22 amide. These findings demonstrate for the first time that PKA can be targeted to kill aLL cells resistant to l -asparaginase due to OPRM1 loss, and that H89 and 14–22 amide may be utilized to destroy l -asparaginase-resistant patient aLL cells.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,003 |
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 ».