MétaCan
Menu
Retour à la cohorte
Enregistrement W2003882401 · doi:10.1371/journal.ppat.1003836

From Scourge to Cure: Tumour-Selective Viral Pathogenesis as a New Strategy against Cancer

2014· review· en· W2003882401 sur OpenAlexafffund
Carolina S. Ilkow, Stephanie L. Swift, John C. Bell, Jean‐Simon Diallo

Notice bibliographique

RevuePLoS Pathogens · 2014
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueVirus-based gene therapy research
Établissements canadiensUniversity of OttawaOttawa Regional Cancer Foundation
Organismes subventionnairesOttawa Hospital FoundationTerry Fox Research InstituteOntario Institute for Cancer ResearchCanadian Institutes of Health ResearchCancer Research Society
Mots-clésOncolytic virusTropismBiologyCancer cellViral replicationTissue tropismVirotherapyCellCancer researchCancerViral life cycleVirusVirologyGenetics

Résumé

récupéré en direct d'OpenAlex

Tumour mutations corrupt cellular pathways, and accumulate to disrupt, dysregulate, and ultimately avoid mechanisms of cellular control. Yet the very changes that tumour cells undergo to secure their own growth success also render them susceptible to viral infection. Enhanced availability of surface receptors, disruption of antiviral sensing, elevated metabolic activity, disengagement of cell cycle controls, hyperactivation of mitogenic pathways, and apoptotic avoidance all render the malignant cell environment highly supportive to viral replication. The therapeutic use of oncolytic viruses (OVs) with a natural tropism for infecting and subsequently lysing tumour cells is a rapidly progressing area of cancer research. While many OVs exhibit an inherent degree of tropism for transformed cells, this can be further promoted through pharmacological interventions and/or the introduction of viral mutations that generate recombinant oncolytic viruses adapted to successfully replicate only in a malignant cellular environment. Such adaptations that augment OV tumour selectivity are already improving the therapeutic outlook for cancer, and there remains tremendous untapped potential for further innovation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,944
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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.

Tête enseignante Opus0,046
Tête enseignante GPT0,357
Écart entre enseignants0,311 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations78
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePLoS PathogensMême sujetVirus-based gene therapy researchTravaux en français237 207