MétaCan
Menu
Retour à la cohorte
Enregistrement W4415963082 · doi:10.1186/s13048-025-01828-7

Unbiased combination screening on repurposed drugs reveals synergistic potential of copanlisib and cerivastatin against chemoresistant high-grade serous ovarian cancer

2025· article· en· W4415963082 sur OpenAlexfundno aff
Yuling Sun, Yangyang Wang, Syed Umbreen, Benjamin Pepperrell, Niamh E. Buckley, Paul B. Mullan, Ahlam Ali, Fiona Furlong

Notice bibliographique

RevueJournal of Ovarian Research · 2025
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCancer, Lipids, and Metabolism
Établissements canadiensnon disponible
Organismes subventionnairesChina Scholarship CouncilQueen's UniversityPublic Health AgencyHigher Education AuthorityQueen's University Belfast
Mots-clésCombination therapyCerivastatinOvarian cancerSerous ovarian cancerDrug

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: High-grade serous ovarian cancers (HGSOCs) are challenging to treat and often resistant to therapy. Despite ongoing therapeutic progress, relapse and poor outcomes remain common among both newly diagnosed and recurrent cases. Systematic high-throughput screening of clinically approved compounds holds significant promise for uncovering novel therapeutic responses and developing new treatment strategies for this disease. METHODS: A panel of drugs were screened for cytotoxicity in five HGSOC cell lines, with drug efficacy quantified using the drug sensitivity score (DSS). All pairwise combinations of 384 low-cytotoxic drugs were screened by grouping 10 compounds in each well. The potent 10-compound combinations were deconvoluted into 2-drug pairings for secondary screening and ranked by the Bliss independent model and the Loewe additive model. Promising drug responses were further characterised in 3D spheroid cultures and patient ascites-derived cells (PADCs). The mechanism of action of the drugs was investigated by Western blot analysis. RESULTS: The DSS profile of drug responses provided a more robust clustering of 5 HGSOC cell lines according to their chemosensitivity responses compared to gene expression analysis of chemoresistance markers. Furthermore, chemoresistant HGSOC cell lines exhibited limited efficacy to single-agent treatments and generally demonstrated resistance to most anti-cancer agents. However, combination screens identified several novel drug pairings that were cytotoxic to chemoresistant HGSOC cells. Drug combinations involving traditional anticancer agents showed superior synergy and toxicity in chemosensitive cell lines, while all cell lines demonstrated good sensitivity to PI3K and HMG-CoA reductase inhibitors at sub-maximal clinically relevant concentrations, with the greatest sensitivity observed in chemoresistant cells. The combination of PI3K and HMG-CoA reductase inhibition significantly reduced the viability and growth of HGSOC spheroids. PADCs exhibited intrinsic sensitivity to HMG-CoA inhibition, while the combination with PI3K inhibition facilitated further dose reductions. Mechanistic studies revealed that the HMG-CoA inhibitor increased phospho-Akt levels in chemoresistant cell lines, sensitising them to PI3K inhibition. CONCLUSION: This study demonstrates the application of multiplex drug combination screening to identify effective synergistic therapies. Co-targeting PI3-kinase and HMG-CoA reductase could be repurposed as a potent combination to treat chemoresistant HGSOC.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,317
Score d'incertitude au seuil0,613

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,334
Écart entre enseignants0,310 · 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 tête enseignante, 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

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Ovarian ResearchMême sujetCancer, Lipids, and MetabolismTravaux en français237 207