Clonal evolution and tumor-initiating cells: New dimensions in cancer patient treatment
Notice bibliographique
Résumé
Human cancer is not a uniform disease but a plethora of disparate tumor types and subtypes. The differences that exist between individual tumors (intertumoral heterogeneity) present a significant roadblock to the eradication of cancer. It has also become increasingly clear that variations across individual tumors (intratumoral heterogeneity) have important implications to cancer progression and treatment efficacy. Therefore, in order to improve patient care and develop novel chemotherapeutics, the evolving tumor landscape needs to be further explored. Next-generation sequencing (NGS) technologies are revolutionizing the cancer research arena by providing state-of-the-art, high-speed methods of genome sequencing at single-nucleotide resolution, thus enabling an unprecedented detection of tumor-specific genetic abnormalities. These anomalies can be quantified to reveal specific frequencies of DNA alterations that correspond to distinct clonal populations within a given tumor. As such, NGS approaches have also been utilized to explore the heterogeneous landscape of patient tumors as well as to match metastatic and/or recurrent growths and patient-derived engrafts. By sequencing in this manner--through time so to speak--cancer researchers can track shifting clonal populations, make important inferences about tumor evolution and potentially identify tumor subclones that could be viably targeted. This exciting new territory has important implications for the competing clonal evolution and cancer stem cell models of tumor heterogeneity, and also offers a new dimension for cancer treatment and profound hope for patients in the coming years.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».