Development of a Tumor-Selective Approach to Treat Metastatic Cancer
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
BACKGROUND: Patients diagnosed with metastatic cancer have almost uniformly poor prognoses. The treatments available for patients with disseminated disease are usually not curative and have side effects that limit the therapy that can be given. A treatment that is selectively toxic to tumors would maximize the beneficial effects of therapy and minimize side effects, potentially enabling effective treatment to be administered. METHODS AND FINDINGS: We postulated that the tumor-tropic property of stem cells or progenitor cells could be exploited to selectively deliver a therapeutic gene to metastatic solid tumors, and that expression of an appropriate transgene at tumor loci might mediate cures of metastatic disease. To test this hypothesis, we injected HB1.F3.C1 cells transduced to express an enzyme that efficiently activates the anti-cancer prodrug CPT-11 intravenously into mice bearing disseminated neuroblastoma tumors. The HB1.F3.C1 cells migrated selectively to tumor sites regardless of the size or anatomical location of the tumors. Mice were then treated systemically with CPT-11, and the efficacy of treatment was monitored. Mice treated with the combination of HB1.F3.C1 cells expressing the CPT-11-activating enzyme and this prodrug produced tumor-free survival of 100% of the mice for >6 months (P<0.001 compared to control groups). CONCLUSIONS: The novel and significant finding of this study is that it may be possible to exploit the tumor-tropic property of stem or progenitor cells to mediate effective, tumor-selective therapy for metastatic tumors, for which no tolerated curative treatments are currently available.
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 | 0,000 | 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 découle