Gene therapy for malignant glioma
Notice bibliographique
Résumé
Glioblastoma multiforme (GBM) is the most frequent and devastating primary brain tumor in adults. Despite current treatment modalities, such as surgical resection followed by chemotherapy and radiotherapy, only modest improvements in median survival have been achieved. Frequent recurrence and invasiveness of GBM are likely due to the resistance of glioma stem cells to conventional treatments; therefore, novel alternative treatment strategies are desperately needed. Recent advancements in molecular biology and gene technology have provided attractive novel treatment possibilities for patients with GBM. Gene therapy is defined as a technology that aims to modify the genetic complement of cells to obtain therapeutic benefit. To date, gene therapy for the treatment of GBM has demonstrated anti-tumor efficacy in pre-clinical studies and promising safety profiles in clinical studies. However, while this approach is obviously promising, concerns still exist regarding issues associated with transduction efficiency, viral delivery, the pathologic response of the brain, and treatment efficacy. Tumor development and progression involve alterations in a wide spectrum of genes, therefore a variety of gene therapy approaches for GBM have been proposed. Improved viral vectors are being evaluated, and the potential use of gene therapy alone or in synergy with other treatments against GBM are being studied. In this review, we will discuss the most commonly studied gene therapy approaches for the treatment of GBM in preclinical and clinical studies including: prodrug/suicide gene therapy; oncolytic gene therapy; cytokine mediated gene therapy; and tumor suppressor gene therapy. In addition, we review the principles and mechanisms of current gene therapy strategies as well as advantages and disadvantages of each.
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 ».