Cancer Prevention Strategies That Address the Evolutionary Dynamics of Neoplastic Cells: Simulating Benign Cell Boosters and Selection for Chemosensitivity
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
Cells in neoplasms evolve by natural selection. Traditional cytotoxic chemotherapies add further selection pressure to the evolution of neoplastic cells, thereby selecting for cells resistant to the therapies. An alternative proposal is a benign cell booster. Rather than trying to kill the highly dysplastic or malignant cells directly, a benign cell booster increases the fitness of the more benign cells, which may be either normal or benign clones, so that they may outcompete more advanced or malignant cells in a neoplasm. In silico simulations of benign cell boosters in neoplasms with evolving clones show benign cell boosters to be effective at destroying advanced or malignant cells and preventing relapse even when applied late in progression. These results are conditional on the benign cell boosters giving a competitive advantage to the benign cells in the neoplasm. Furthermore, the benign cell boosters must be applied over a long period of time in order for the benign cells to drive the dysplastic cells to extinction or near extinction. Most importantly, benign cell boosters based on this strategy must target a characteristic of the benign cells that is causally related to the benign state to avoid relapse. Another promising strategy is to boost cells that are sensitive to a cytotoxin, thereby selecting for chemosensitive cells, and then apply the toxin. Effective therapeutic and prevention strategies will have to alter the competitive dynamics of a neoplasm to counter progression toward invasion, metastasis, and death.
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 | 0,002 | 0,001 |
| 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 | 0,000 | 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