Chemotherapy and Oncolytic Virotherapy: Advanced Tactics in the War against Cancer
Notice bibliographique
Résumé
Cancer is a traitorous archenemy that threatens our survival. Its ability to evade detection and adapt to various cancer therapies means that it is a moving target that becomes increasingly difficult to attack. Through technological advancements, we have developed sophisticated weapons to fight off tumor growth and invasion. However, if we are to stand a chance in this war against cancer, advanced tactics will be required to maximize the use of our available resources. Oncolytic viruses (OVs) are multi-functional cancer-fighters that can be engineered to suit many different strategies; in particular, their retooling can facilitate increased capacity for direct tumor killing (oncolytic virotherapy) and elicit adaptive antitumor immune responses (oncolytic immunotherapy). However, administration of these modified OVs alone, rarely induces successful regression of established tumors. This may be attributed to host antiviral immunity that acts to eliminate viral particles, as well as the capacity for tumors to adapt to therapeutic selective pressure. It has been shown that various chemotherapeutic drugs with distinct functional properties can potentiate the antitumor efficacy of OVs. In this review, we summarize the chemotherapeutic combinatorial strategies used to optimize virally induced destruction of tumors. With a particular focus on pharmaceutical immunomodulators, we discuss how specific therapeutic contexts may alter the effects of these synergistic combinations and their implications for future clinical use.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 ».