Killer Beacons for Combined Cancer Imaging and Therapy
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
Precisely localizing therapeutic agents in neoplastic areas would greatly improve their efficacy for killing tumor cells and reduce their toxicity to normal cells. Photodynamic therapy (PDT) is a promising cancer treatment modality, and near-infrared fluorescence imaging (NIRF-I) is a sensitive and noninvasive approach for in vivo cancer detection. This review focuses on the current efforts to engineer single molecule constructs that allow these two modalities to be combined to achieve a high level of selectivity for cancer treatment. The primary component of these so called killer beacons is a fluorescent photosensitizer responsible for both imaging and therapy. By attaching other components, e.g. various DNA- or peptide-based linkers, quenchers or cancer cell-specific delivery vehicles, their primary diagnostic and therapeutic functions as well as their target specificity and pharmacological properties can be modulated. This modular design makes these agents customizable, offering the ability to assemble a few simple and often interchangeable functional modules into beacons with totally different functions. This review will summarize following three types of killer beacons: photodynamic molecular beacons, traceable beacons and beacons with built-in apoptosis sensor. Despite the rapid progress in killer beacon development, numerous challenges remain before these beacons can be translated into clinics, such as photobleaching, delivery efficiency and cancer-specificity. In this review we outline the basic principles of killer beacons, the current achievements and future directions, including possible cancer targets and different therapeutic applications.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 découle