Gene Silencing in the Development of Personalized Cancer Treatment: The Targets, the Agents and the Delivery Systems
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
The advent of sophisticated experimental tools that can probe the molecular pathology of cancer has revealed a number of genes and gene families that could prove attractive targets for cancer therapy. Thus, gene silencing strategies have been envisioned to treat cancer by targeting the cancer cell's capacity to: (I) resist conventional treatment methods (chemotherapy and radiotherapy), (II) promote angiogenesis, and (III) metastasize and/or to survive microenvironments that normally would promote cell apoptosis/necrosis. The realization of such strategies is limited by the lack of pharmaceutically-viable technologies that enable the safe and effective delivery of gene-targeting agents to neoplastic cells following systemic administration. There are many reasons for this, including an incomplete understanding of how cancer cells respond when genes are silenced. Further the pharmacokinetic and pharmacodynamic attributes of gene therapy products are not well understood. This review will discuss gene therapy strategies that have been developed based on gene inhibition by the use of antisense oligonucleotides, ribozymes and RNA interference (RNAi). In this context, several particularly promising targets will be described, with a focus on strategies that have progressed to the stage where clinical trials have been initiated. The review highlights product development strategies that emphasize non-viral systemic formulations and the potential for delivery systems to become an enabling technology for development of effective gene therapy products.
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 | 0,001 | 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 | 0,000 | 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