Overview of Methods for Overcoming Hindrance to Drug Delivery to Tumors, with Special Attention to Tumor Interstitial Fluid
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Every drug used to treat cancer (chemotherapeutics, immunological, monoclonal antibodies, nanoparticles, radionuclides) must reach the targeted cells through the tumor environment at adequate concentrations, in order to exert their cell-killing effects. For any of these agents to reach the goal cells, they must overcome a number of impediments created by the tumor microenvironment (TME), beginning with tumor interstitial fluid pressure (TIFP), and a multifactorial increase in composition of the extracellular matrix (ECM). A primary modifier of TME is hypoxia, which increases the production of growth factors, such as vascular endothelial growth factor and platelet-derived growth factor. These growth factors released by both tumor cells and bone marrow recruited myeloid cells form abnormal vasculature characterized by vessels that are tortuous and more permeable. Increased leakiness combined with increased inflammatory byproducts accumulates fluid within the tumor mass (tumor interstitial fluid), ultimately creating an increased pressure (TIFP). Fibroblasts are also up-regulated by the TME, and deposit fibers that further augment the density of the ECM, thus, further worsening the TIFP. Increased TIFP with the ECM are the major obstacles to adequate drug delivery. By decreasing TIFP and ECM density, we can expect an associated rise in drug concentration within the tumor itself. In this overview, we will describe all the methods (drugs, nutraceuticals, and physical methods of treatment) able to lower TIFP and to modify ECM used for increasing drug concentration within the tumor tissue.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 découle