KRAS
PulseAugur coverage of KRAS — every cluster mentioning KRAS across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
FDA批准新型胰腺癌药物daraxonrasib，此前试验成功
美国FDA已批准daraxonrasib（Rasonque），这是一种针对成人胰腺导管腺癌（PDAC）的新型靶向疗法，适用于疾病已扩散且其他治疗失败的患者。这标志着一种进展有限的癌症类型取得了重大进展。该药物可抑制RAS蛋白，该蛋白在90%以上的PDAC病例中发生突变，为广泛的患者群体带来了希望。临床试验显示，使用daraxonrasib的中位总生存期为13.2个月，是化疗的6.7个月的两倍多，且严重副作用更少。
-
新型抗体靶向先前无法触及的KRAS癌症突变
研究人员开发了一种新颖的基于抗体的疗法，该疗法靶向癌细胞的一个常见弱点，特别是KRAS蛋白的突变。这种新方法利用细胞的天然表面展示系统来呈现突变的KRAS蛋白片段，使其对 the antibodies and immune cells 可见。这种策略可以选择性地靶向具有KRAS突变的癌细胞，而这些突变先前被认为无法通过常规抗体治疗触及，有可能为治疗胰腺癌、结直肠癌和肺癌等癌症提供新途径。
-
AI 利用多标签学习从扫描中预测肺癌突变
研究人员开发了一种使用深度学习的多标签学习方法，通过 PET/CT 扫描预测非小细胞肺癌 (NSCLC) 中的特定基因突变（EGFR、TP53 和 KRAS）。该研究在英国队列中进行，发现多标签学习的有效性因基因突变对而异，其中 KRAS 和 TP53 的联合预测显示出更高的 AUC 分数。这些发现表明，针对特定突变建模策略可能更有利于 PET/CT 影像组学预测。
-
新药物Setidegrasib可破坏驱动癌症的KRAS蛋白
一种名为Setidegrasib的新药物在破坏KRAS蛋白方面显示出希望。KRAS蛋白是胰腺癌、结直肠癌和肺癌等难治性癌症的常见驱动因素。与仅仅阻断KRAS蛋白的传统药物不同，Setidegrasib利用细胞自身的回收机制来彻底清除该蛋白。这种靶向蛋白降解方法通过泛素标记将该蛋白标记为待销毁，从而提供了一种可能更有效、更持久的治疗策略。
-
RAS靶向疗法有望带来新的癌症治疗方法
中信证券发布研究报告，强调了RAS靶向疗法在肿瘤学中的潜力。这些疗法旨在解锁RAS基因家族中先前“不可成药”的靶点，该家族包括KRAS、NRAS和HRAS，其中KRAS在人类癌症中尤为重要。该领域正超越KRAS G12C等单点突变，转向解决G12D、Pan-KRAS和Pan-RAS(ON)等更广泛的靶点，众多公司正积极探索这些途径。
-
新的scBench-Long基准测试用于评估AI在复杂的单细胞生物学分析中的能力
研究人员推出了scBench-Long，这是一个旨在评估AI代理在复杂、多步骤单细胞生物学分析中能力的新基准测试。与之前侧重于广泛知识或局部任务的基准测试不同，scBench-Long要求代理从原始数据中推导出科学结论，而无需预定义的方法。该基准测试包括21项多样化评估，例如分析黑色素瘤细胞反应性和COVID-19病理学，表现最佳的模型在1,068条轨迹上的成功率仅为25.4%。
-
新型抗体疗法靶向难以触及的胰腺癌蛋白
研究人员开发出一种新颖的胰腺癌实验疗法，该疗法靶向细胞深处一种难以触及的蛋白质。这种新方法使用载体颗粒将抗体递送到细胞内部，在那里它们标记突变蛋白以便清除。在实验室和动物研究中，该方法有效地减缓了癌症的生长，减小了肿瘤的大小，并且重要的是，保留了蛋白质的健康形式，显示出治疗由特定基因突变驱动的癌症的巨大潜力。
-
神经符号框架增强结直肠癌药物反应洞察
研究人员开发了一种名为上下文可逆世界模型（CIWM）的新型神经符号框架，以解决精准肿瘤学的局限性。该框架集成了机器学习模拟器和大型语言模型推理层，在提供预测准确性的同时实现机制清晰化。使用Sanger GDSC数据集，CIWM发现突变KRAS对APC/Wnt轴的优势会增加对5-氟尿嘧啶的耐药性，并且修复PIK3CA会通过激活MAPK生存通路而产生悖论性地增强化疗耐药性。
-
Daraxonrasib 使胰腺癌患者生存期翻倍
由 Revolution Medicines 开发的新药 Daraxonrasib 在治疗胰腺导管腺癌（一种极其致命的癌症）方面显示出巨大潜力。在一项 III 期试验中，与标准疗法化疗相比，该药物使患者的生存期延长了一倍，死亡率降低了 60%。尽管它并非治愈方法，并且伴有副作用，但 Daraxonrasib 代表着有限治疗选择的患者的一大进步，制造商正准备进行大规模生产。
-
新的基准测试ShallowBench针对浅口袋的AI药物设计
研究人员开发了ShallowBench，这是一个新的基准测试，旨在评估用于药物设计的生成式AI模型，特别关注具有浅结合口袋的靶点。现有模型在这些具有挑战性的靶点上表现不佳，而这些靶点在肿瘤学等领域很常见。ShallowBench包含5,780个靶点，旨在推动AI架构和损失函数的创新，以改善历史上难以靶向的蛋白质的药物发现。
-
新框架处理具有多个变量的复杂知识图谱查询
研究人员开发了一个名为神经可扩展符号搜索（NS3）的新框架，以应对知识图谱上复杂查询应答的挑战。现有方法在处理涉及多个自由变量的查询时遇到困难，通常依赖于不太准确的边际排名。NS3通过首先回答边际化子查询，然后将变量合并到由动态预算控制的剪枝域中，并逐步降低查询复杂度来近似联合排名。