Characterization of novel small molecule inhibitors of estrogen receptor-activation function 2 (ER-AF2)
Notice bibliographique
Résumé
Up to 40% of patients with estrogen receptor (ER)-positive breast cancer will develop resistance against the majority of current ER-directed therapies. Resistance can arise through various mechanisms such as increased expression levels of coregulators, and key mutations acquired in the receptor's ligand binding domain rendering it constitutively active. To overcome these resistance mechanisms, we explored targeting the ER Activation Function 2 (AF2) site, which is essential for coactivator binding and activation. Using artificial intelligence and the deep docking methodology, we virtually screened > 1 billion small molecules and identified 290 potential AF2 binders that were then characterized and validated through an iterative screening pipeline of cell-based and cell-free assays. We ranked the compounds based on their ability to reduce the transcriptional activity of the estrogen receptor and the viability of ER-positive breast cancer cells. We identified a lead compound, VPC-260724, which inhibits ER activity at low micromolar range. We confirmed its direct binding to the ER-AF2 site through a PGC1α peptide displacement experiment. Using proximity ligation assays, we showed that VPC-260724 disrupts the interaction between ER-AF2 and the coactivator SRC-3 and reduces the expression of ER target genes in various breast cancer models including the tamoxifen resistant cell line TamR3. In conclusion, we developed a novel ER-AF2 binder, VPC-260724, which shows antiproliferative activity in ER-positive breast cancer models. The use of an ER-AF2 inhibitor in combination with current treatments may provide a novel complementary therapeutic approach to target treatment resistance in ER-positive breast cancer.
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) | 0,000 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 ».