The current progress and future prospects of personalized radiogenomic cancer study
Notice bibliographique
Résumé
During the last twenty years, mounting studies have supported the hypothesis that there is a genetic component that plays an important role in clinically observed variability in individual tissue/organ toxicity after radiotherapy. We propose the term "Personalized Radiogenomics" for the translational study of individual genetic variations that may associate with or contribute to the responses of tissues to radiation therapy used in the treatment of all types of cancer. The missions of personalized radiogenomic research are 1) to reveal the related genes, proteins, and biological pathways responsible for non-tumor or tumor tissue toxicity resulting from radiotherapy that could be targeted with radio-sensitizing and/or radio-protective agents, and 2) to identify specific genetic markers that can be used in risk prediction and evaluation models before and after clinical cancer surgery. For the members of the Terry Fox Cancer Research Lab in China Medical University and Hospital, the long-term goal is to develop SNP-based risk models that can be used to stratify patients to more precisely tailored radiotherapy protocols. Worldwide, the field has evolved over the last two decades in parallel with rapid advances in genetic and genomic technology, moving step by step from narrowly focused candidate gene studies to large-scale, collaborative genome-wide association studies. This article will summarize the candidate gene association studies published so far from the Terry Fox Cancer Research Lab as well as worldwide on the risk of radiation-related cancers and highlight some wholegenome association studies showing feasibility in fulfilling the dream of personalized radiogenomic cancer therapy.
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) | 0,000 | 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 ».