Analysis of Cancer Metabolism by Imaging Hyperpolarized Nuclei: Prospects for Translation to Clinical Research
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
A major challenge in cancer biology is to monitor and understand cancer metabolism in vivo with the goal of improved diagnosis and perhaps therapy. Because of the complexity of biochemical pathways, tracer methods are required for detecting specific enzyme-catalyzed reactions. Stable isotopes such as (13)C or (15)N with detection by nuclear magnetic resonance provide the necessary information about tissue biochemistry, but the crucial metabolites are present in low concentration and therefore are beyond the detection threshold of traditional magnetic resonance methods. A solution is to improve sensitivity by a factor of 10,000 or more by temporarily redistributing the populations of nuclear spins in a magnetic field, a process termed hyperpolarization. Although this effect is short-lived, hyperpolarized molecules can be generated in an aqueous solution and infused in vivo where metabolism generates products that can be imaged. This discovery lifts the primary constraint on magnetic resonance imaging for monitoring metabolism-poor sensitivity-while preserving the advantage of biochemical information. The purpose of this report was to briefly summarize the known abnormalities in cancer metabolism, the value and limitations of current imaging methods for metabolism, and the principles of hyperpolarization. Recent preclinical applications are described. Hyperpolarization technology is still in its infancy, and current polarizer equipment and methods are suboptimal. Nevertheless, there are no fundamental barriers to rapid translation of this exciting technology to clinical research and perhaps clinical care.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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