Higher order synthetic lethals are keys to minimize cancer treatment effects on non-tumor cells
Notice bibliographique
Résumé
Metabolic rewiring in cancer cells facilitates the supply of essential precursors for uncontrolled tumor growth. Exploring these cancer-specific metabolic alterations offers potential selective therapeutic strategies. However, targeting a single essential gene in cancer treatment often faces challenges, including resistance, lack of targetable oncogenes, and potential harm to non-tumor cells. Targeting multiple genes has been proposed as a solution to overcome these issues, e.g., a synthetic lethal (SL) set, defined as a minimal combination of non-lethal genetic perturbations that lead to cell death. This study theoretically examined the potential of SL sets to identify selective drug targets across 13 cancer types and the corresponding non-tumor tissues, utilizing context-specific genome-scale metabolic models. To ensure the minimization of therapeutic side effects, this work introduced the concept of strictly-selective drug targets (SSDTs) and the lack of harmful effects of the identified targets in all 13 different non-tumor tissues was meticulously verified. Accordingly, for 13 types of cancers, over 500 SSDTs were identified, predominantly including higher-order SL sets with more than two targets in each set. Interestingly, for specific cancers where single essential or SL genes could not provide viable therapeutic solutions, SSDTs were provided by higher-order SL sets. Thus, for the first time, this study demonstrates that leveraging higher-order SL sets may offer promising strictly selective therapeutic solutions. Furthermore, nine quadruple SSDTs were identified, which commonly target five different cancers without harming any of the 13 non-tumor tissues. Further experimental validation of these findings is essential to identify the most promising treatment candidates for future clinical studies/applications.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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.
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 ».