Drug Resistance Mechanisms in Non-Small Cell Lung Carcinoma
Notice bibliographique
Résumé
Lung cancer is the most commonly diagnosed cancer in the world. “Driver” and “passenger” mutations identified in lung cancer indicate that genetics play a major role in the development of the disease, progression, metastasis and response to therapy. Survival rates for lung cancer treatment have remained stagnant at ~15% over the past 40 years in patients with disseminated disease despite advances in surgical techniques, radiotherapy and chemotherapy. Resistance to therapy; either intrinsic or acquired has been a major hindrance to treatment leading to great interest in studies seeking to understand and overcome resistance. Genetic information gained from molecular analyses has been critical in identifying druggable targets and tumor profiles that may be predictors of therapeutic response and mediators of resistance. Mutated or overexpressed epidermal growth factor receptor (EGFR) and translocations in the echinoderm microtubule-associated protein-like 4 (EML4)-anaplastic lymphoma kinase (ALK) genes (EML4-ALK) are examples of genetic aberrations resulting in targeted therapies for both localized and metastatic disease. Positive clinical responses have been noted in patients harboring these genetic mutations when treated with targeted therapies compared to patients lacking these mutations. Resistance is nonetheless a major factor contributing to the failure of targeted agents and standard cytotoxic agents. In this review, we examine molecular mechanisms that are potential drivers of resistance in non-small cell lung carcinoma, the most frequently diagnosed form of lung cancer. The mechanisms addressed include resistance to molecular targeted therapies as well as conventional chemotherapeutics through the activity of multidrug resistance proteins.
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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».