Function and clinical relevance of kallikrein-related peptidases and other serine proteases in gynecological cancers
Notice bibliographique
Résumé
Gynecological cancers, including malignant tumors of the ovaries, the endometrium and the cervix, account for approximately 10% of tumor-associated deaths in women of the Western world. For screening, diagnosis, prognosis, and therapy response prediction, the group of enzymes known as serine (Ser-)proteases show great promise as biomarkers. In the present review, following a summary of the clinical facts regarding malignant tumors of the ovaries, the endometrium and the cervix, and characterization of the most important Ser-proteases, we thoroughly review the current state of knowledge relating to the use of proteases as biomarkers of the most frequent gynecological cancers. Within the Ser-protease group, the kallikrein-related peptidase (KLK) family, which encompasses a subgroup of 15 members, holds particular promise, with some acting via a tumor-promoting mechanism and others behaving as protective factors. Further, the urokinase-type plasminogen activator (uPA) and its inhibitor PAI-1 (plasminogen activator inhibitor-1) seem to play an unfavorable role in gynecological tumors, while down-regulation of high-temperature requirement proteins A 1, 2 and 3 (HtrA1,2,3) is associated with malignant disease and cancer progression. Expression/activity levels of other Ser-proteases, including the type II transmembrane Ser-proteases (TTSPs) matriptase, hepsin (TMPRSS1), and the hepsin-related protease (TMPRSS3), as well as the glycosyl-phosphatidylinositol (GPI)-anchored Ser-proteases prostasin and testisin, may be of clinical relevance in gynecological cancers. In conclusion, proteases are a rich source of biomarkers of gynecological cancer, though the enzymes' exact roles and functions merit further investigation.
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 | 0,010 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,004 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».