Enhancing intensity of tumor-specific fluorescence by MEK inhibition in brain tumor models
Notice bibliographique
Résumé
Fluorescence guided surgery using 5-aminolevulinic acid (5-ALA FGS), a technique widely used to resect brain tumors, relies on fluorescence signals from Protoporphyrin IX (PpIX) accumulated in cancer cells to identify and resect tumor tissue. Despite its clinical success, a major issue of 5-ALA FGS is the insufficient accumulation of PpIX in tumors, posing challenges to the surgeons to delineate tumor ends. Our previous research showed that MEK inhibition increases PpIX accumulation in cancer cells but not in normal cells. In this study, we aimed to screen different MEK inhibitors for their efficacy in promoting 5-ALA mediated PpIX accumulation in human brain cancer cell lines in vitro. Furthermore, we sought to develop an animal model of brain cancer to evaluate the efficacy of screened MEK inhibitors in enhancing tumor visualization in vivo. By conducting in vitro fluorescence measurements, we found that MEK inhibitors Trametinib and Selumetinib were most effective in promoting PpIX accumulation in cancer cell lines. For its consistent robust effect in vitro, Selumetinib was selected for evaluation in in vivo experiments. We successfully developed a mice brain tumor model in Balb/c mice by allografting mammary cancer 4T1 cells into the brain's right hemisphere. Preliminary 2-Photon imaging results show a substantial increase in PpIX fluorescence in mice treated with Selumetinib and 5-ALA compared to mice with vehicle (DMSO/saline) and 5-ALA treatment. These results indicate the potential use of MEK inhibitor treatment to promote PpIX fluorescence in brain tumors for improved 5-ALA FGS in clinical settings.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».