Proteomic Perspectives on KRAS-Driven Cancers and Emerging Therapeutic Approaches
Notice bibliographique
Résumé
KRAS mutations are implicated in approximately 23% of all human malignancies, with particularly high prevalence in pancreatic ductal adenocarcinoma (PDAC) (~92%), colorectal cancer (CRC) (~49%), and non-small cell lung cancer (NSCLC) (~35%). The recent approval of the KRASG12C-specific inhibitors for NSCLC represents a pivotal advancement in KRAS-targeted therapy. Nevertheless, the emergence of intrinsic and acquired resistance to KRAS-targeted therapies poses a significant clinical obstacle to targeting KRAS, which necessitates a deeper understanding of the resistance mechanisms. Recent progress in proteomic studies has enabled comprehensive profiling of the proteomic alterations driven by KRAS mutations, offering valuable insights into the disrupted KRAS interactome, aberrant signaling pathways and dysregulated cellular processes contributing to tumorigenesis. This review discusses current knowledge on proteomic alterations associated with oncogenic KRAS mutations, with particular focus on allele-specific proteome signatures and the roles of post-translational modifications (PTMs) of KRAS in modulating the functional networks. Furthermore, we highlight recent therapeutic advances targeting KRAS variants and discuss emerging resistance mechanisms from a proteomics-informed perspective.
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 ».