Abstract A003: Unwinding the complexities of helicases as compelling drug targets in oncology
Notice bibliographique
Résumé
Abstract In recent years, helicases have moved to the forefront of research as novel drug targets for a variety of human diseases, including cancer. As critical components of the cell cycle and DNA repair, these enzymes offer an attractive point of therapeutic intervention. Recent bioinformatic endeavours such as the Cancer DepMap have further highlighted the essentiality of these proteins in the progression of numerous cancers. Inhibitors of Werner helicase (WRN) entered Phase I evaluation in 2023, after studies highlighted its role in tumours with microsatellite instability (MSI) and impaired mismatch repair (MMR). Building on these advances, helicases now represent a significant drug target class and are the subject of intense research. However, these targets present significant complexities in their prosecution. Hit finding and robust validation of these putative active compounds remains challenging, with high attrition rates and significant sensitivity to false positives. Resultant hits require thorough biological characterisation via both biochemical and biophysical methods, alongside determination of selectivity against other closely related family members, to increase confidence in their provenance before commencing a detailed drug discovery project. To exemplify these approaches, we have profiled three commercially available WRN inhibitors from two chemical series through a selection of biochemical and biophysical assays. The three compounds exhibit excellent selectivity against 6 distinct helicase/translocase targets. In Michaelis-Menten mechanism of Inhibition studies, we defined contrasting mechanisms of inhibition for the two series and were also able to identify time dependent inhibition with one compound series. Analysing binding interactions of the compounds against protein and protein:substrate complexes, via a fluorescent thermal shift assay (FTSA) and microscale thermophoresis (MST), enabled us to further understand and interrogate the mechanism of inhibition. Herein, we describe some of our experiences, learnings and best practices when prosecuting these compelling, but challenging, targets. Citation Format: Yael Mamane, Zoe Caple, Katie Chapman, Ian Henderson, Allan Jordan, Vanessa Lyne, Cynthia Okoye, Laurent Rigoreau, Ganesh Kadamur, Stuart Thomson, Chris Tomlinson, Jana Wolf. Unwinding the complexities of helicases as compelling drug targets in oncology [abstract]. In: Proceedings of the AACR Special Conference in Cancer Research: Expanding and Translating Cancer Synthetic Vulnerabilities; 2024 Jun 10-13; Montreal, Quebec, Canada. Philadelphia (PA): AACR; Mol Cancer Ther 2024;23(6 Suppl):Abstract nr A003.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,008 | 0,002 |
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 ».