Multi-omics analysis of TNBC organoids identifies phosphorylation of the membrane trafficking machinery as key event associated with FER-mediated invasion
Notice bibliographique
Résumé
Abstract Triple Negative Breast Cancer (TNBC) is characterised by unfavourable outcome due to the combination of its metastatic propensity, chemo-refractory behaviour and the lack of effective targeted interventions. Expression of the feline sarcoma-related (FER) kinase constitutes an independent prognostic factor that correlates with poor patient survival. FER promotes invasive behaviour in TNBC cells by regulating endosomal sorting and recycling (ESR) of adhesion proteins. Yet, the ESR machinery supporting invasion in TNBC, particularly within 3D environments, remains poorly understood. Here, we used FER-expressing TNBC patient-derived xenograft organoids (PDXOs) and MDA-MB-231 cells to identify the membrane trafficking machinery promoting invasion. Using a combination of proteomics, phospho-proteomics, and single cell RNA-sequencing, we show that the invasion of FER-expressing PDXO cells in collagen-I is mainly associated with the differential phosphorylation of membrane trafficking regulators, including SEC16A and a marked increase in Rab4-positive tubules. SEC16A depletion impairs cell invasion and reduces the number of focal adhesions and Rab4-positive tubules. Importantly, FER regulates SEC16A levels and localization, specifically in TNBC. Altogether, we identified SEC16A as a key player in FER-driven TNBC invasion, highlighting the membrane trafficking machinery as a promising target for the development of new therapeutic strategies.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».