Enterolactone promotes efficacy of gemcitabine on epithelial ovarian cancer and ameliorates gut dysbacteriosis
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: The effectiveness of conventional treatments for epithelial ovarian cancer (EOC) is very limited and their side effects are serious. Previous research has demonstrated the inhibitory effects of enterolactone (ENL) on EOC by inhibiting malignant angiogenesis. Gemcitabine (Gem) is a chemotherapeutic agent commonly used for the treatment of EOC with limited efficacy. In this study, we aimed to explore the combined inhibitory effects of ENL and Gem on EOC. EXPERIMENTAL APPROACH: We detected the proliferation ability of EOC cells after ENL/Gem/ENL + Gem by CCK8, crystal violet assays, migration and invasion ability by wound healing and transwell assays, in vivo evaluation of the anti-neovascularisation efficacy of zebrafish and in vitro tube formation assays to detect angiogenesis, network pharmacology, Western-blot and immunohistochemistry to analyse molecular pathways, and in vivo animal experiments on tumour progression. KEY RESULTS: Our results demonstrated that the ENL and Gem combination synergistically inhibited the proliferation, migration and invasion of EOC. Tube formation and zebrafish neovascularization assays showed potent anti-angiogenic activity of the ENL + Gem combination. In animal experiments, the combined use of ENL and Gem also synergistically inhibited tumour growth and in the meantime markedly reduced the side effects of Gem. ENL ameliorated gut dysbacteriosis of ovarian cancer animals, which significantly enhanced the synergistic anti-cancer effect of ENL and Gem. CONCLUSIONS AND IMPLICATIONS: ENL and Gem synergistically inhibit the proliferation, migration, invasion, and angiogenesis of EOC by modulating the Akt-Bax and Akt-MMP9-VEGFR-2 pathways and ameliorating gut dysbacteriosis.
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) | 0,001 | 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 ».