Targeting FGFR4 abrogates HNF1A-driven metastasis in pancreatic ductal adenocarcinoma
Notice bibliographique
Résumé
BACKGROUND: We previously identified an oncogenic role for the transcription factor HNF1A in pancreatic ductal adenocarcinoma (PDAC). However, the role of HNF1A in the metastatic progression of PDAC remains unknown and targeting modalities for HNF1A-dependent phenotypes have yet to be identified. METHODS: Transwell chambers were used to assess the effects of HNF1A and FGFR4 modulation on the migration and invasion of ATCC and patient-derived PDAC cells in vitro. An intrasplenic injection xenograft model was used to evaluate the impact of HNF1A knockdown and overexpression on metastatic tumor burden. Single-cell RNA sequencing (scRNA-seq), tissue microarray (TMA) data, and UMAP spatial profiling were used to identify FGFR4 as an HNF1A target gene upregulated in metastatic cells. RNAi and two FGFR4 inhibiting modalities (H3B-6527 and U3-1784) were utilized to demonstrate the efficacy of FGFR4 inhibiting agents at reducing HNF1A-driven metastasis. RESULTS: Knockdown of HNF1A significantly decreases and HNF1A overexpression significantly increases PDAC cell migration and invasion. In vivo studies show that HNF1A knockdown significantly abrogates metastasis, while overexpression significantly promotes metastasis. scRNA-seq shows that FGFR4 is upregulated in metastatic PDAC cells and staining for HNF1A and FGFR4 in a PDAC TMA reveals significant correlation between HNF1A and FGFR4 in PDAC patients. Further, knockdown and inhibition of FGFR4 significantly decreases HNF1A-mediated cell migration and invasion, and blocks HNF1A-driven metastasis in vivo. CONCLUSIONS: These findings demonstrate that HNF1A drives PDAC metastasis via upregulation of FGFR4, and FGFR4 inhibition is a potential mechanism to target metastasis in PDAC patients.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».