MétaCan
Menu
Retour à la cohorte
Enregistrement W4404236532 · doi:10.1093/neuonc/noae165.0526

DDDR-41. A GENOME-WIDE CRISPR/CAS9 SCREEN IN GLIOBLASTOMA STEM CELLS UNVEILS SYNTHETIC LETHAL INTERACTIONS AND RESISTANCE MECHANISMS OF JIN001, A BLOOD-BRAIN BARRIER-PENETRANT HSP90 INHIBITOR

2024· article· en· W4404236532 sur OpenAlexaboutno aff
Xiaohua Chen, Nazanin Esmaeili Anvar, Medina Colic, Jihong Xu, Jiyong Liang, Pratibha Sharma, Longfei Huo, Harsha Sugur, Traver Hart, Vinay K. Puduvalli

Notice bibliographique

RevueNeuro-Oncology · 2024
Typearticle
Langueen
DomaineComputer Science
ThématiqueComputational Drug Discovery Methods
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCRISPRPenetrant (biochemical)Blood–brain barrierGlioblastomaBiologyCancer researchNeuroscienceGeneticsGeneCentral nervous systemBiotechnology

Résumé

récupéré en direct d'OpenAlex

Abstract Glioblastomas (GBMs) are aggressive brain tumors characterized by extensive genetic heterogeneity and therapeutic resistance. Heat shock protein 90 (Hsp90) is a molecular chaperone that stabilizes and facilitates the proper folding of numerous proteins, including oncogenic drivers and is overexpressed in cancers. Hsp90 inhibitors can disrupt multiple oncogenic signaling pathways by degrading various client proteins essential for tumor growth and survival, making them attractive therapeutic candidates for GBMs. We have previously reported on the efficacy of Hsp90 inhibitors against gliomas. However, cancer cells develop resistance to Hsp90 inhibitors by upregulating compensatory chaperones (e.g., Hsp70), mutating client proteins, or activating alternative survival pathways, reducing the long-term efficacy of these agents. Combination approaches overcoming such resistance mechanisms are needed. JIN001, a novel Hsp90 inhibitor, demonstrates superior blood-brain barrier (BBB) penetration, and high potential for clinical translation. we performed a genome-wide CRISPR/Cas9 knockout screen using the Toronto Knockout Library v3 (TKOv3) with screen selection pressure from JIN001 in GBM stem cells (GSC272) to identify synthetic lethal interactions and resistance mechanisms associated with JIN001 treatment. Experiments were performed in triplicate with two time points, T22 and T37. Quality control analysis of the NGS data indicated excellent quality and consistency between different replicates. DrugZ analysis revealed a set of sensitive and resistant genes, informing potential combination therapies and further elucidating JIN001’s mechanism of action. Validation studies for the top synthetic lethal targets are underway to confirm the identified interactions and will be presented. This CRISPR-Cas9 screen offers valuable insights into JIN001’s therapeutic potential, reveals new combination strategies to overcome resistance to Hsp90 inhibitors and for use of these agents in other cancers, and paves the way for the development of more effective GBM combination treatment strategies.

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 enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
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 Opus0,016
Tête enseignante GPT0,289
Écart entre enseignants0,272 · 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 revueNeuro-OncologyMême sujetComputational Drug Discovery MethodsTravaux en français237 207