Preclinical models for pediatric solid tumor drug discovery: current trends, challenges and the scopes for improvement
Notice bibliographique
Résumé
INTRODUCTION: The enhancement in pediatric cancer survival achieved in the past few decades has been confined to low- and moderate-risk cancers, whereas no notable improvement in survival was observed in high-risk and advanced-stage childhood cancers. High attrition rate of candidate drugs in clinical trials is a major hurdle in the development of effective therapies for pediatric solid tumors. In order to reduce the failure rate of candidate drugs in clinical trials, more effective strategies are needed to enhance the predictability of preclinical testing. AREAS COVERED: The authors have described the current trends in preclinical drug development for treating pediatric solid tumors. Furthermore, the authors review their limitations and the available remedies, with regards to choice of models, pharmacokinetic considerations and the criteria for assessing the long-term efficacy of a candidate drug. EXPERT OPINION: In many solid tumors, common differences between pediatric and adult cancers have been observed, and therefore, clinical trials for pediatric solid tumors must be conducted on the basis of preclinical observations in pediatric solid tumor models. There is a need to invest in extensive preclinical testing on pediatric solid tumor models. None of the preclinical models can fully recapitulate the human cancers. Therefore, these limitations must be considered while conducting a preclinical trial. The dose and schedule of drugs used for preclinical testing must be clinically relevant. While testing the efficacy of drugs, the markers of apoptosis, drug resistance, hypoxia and tumor-initiating cells can inform us about the long-term therapeutic response of a cancer.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».