Dietary factors and cancer chemoprevention
Notice bibliographique
Résumé
Obesity is a growing health problem in developed nations and in countries that are in the process of westernization like India. Obesity is linked with several health disorders such as hypertension and cardiovascular diseases, Type 2 diabetes, dyslipidemia and certain cancers. Currently, obesity-related malignancies, e.g., cancers of the breast, prostate and colon are the leading cancers in the industrialized societies. An increased amount of fat or adipose tissue in an overweight or obese person probably influences the development of cancer by releasing several hormone-like factors or adipokines. The majority of adipokines are pro-inflammatory, which promote pathological conditions like insulin resistance and cancer. On the other hand, many recent studies have shown that adiponectin, an anti-inflammatory adipokine, has anti-cancer and insulin-sensitizing effects. Adiponectin exerts its physiological functions chiefly by activation of AMP kinase via adiponectin receptors. Interestingly, several fruits and vegetables may contain adiponectin-like molecules or may increase the biosynthesis of adiponectin in our body. Studies on adiponectin analogues or adiponectin receptor agonists are a promising area of cancer chemoprevention research. In general, fruits and vegetables contain various dietary substances such as vitamins, minerals (like calcium and selenium), fiber and phytochemicals or phenolic compounds (like flavonoids and vanilloids), which may act as anti-cancer agents. Similarly, several dietary constituents including phytochemicals may have anti-obesity effects. Consumption of such dietary compounds along with caloric restriction and physical activity may be helpful in preventing obesity-related cancers. For this review article, we searched PubMed primarily to get the relevant literature.
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 | 0,000 | 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 | 0,000 | 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 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 ».