Targeting the EGFR Pathway for Cancer Therapy
Notice bibliographique
Résumé
Clinical studies have shown that HER-2/Neu is over-expressed in up to one-third of patients with a variety of cancers, including B-cell acute lymphoblastic leukemia (B-ALL), breast cancer and lung cancer, and that these patients are frequently resistant to conventional chemo-therapies. Additionally, in most patients with multiple myeloma, the malignant cells over-express a number of epidermal growth factor receptors (EGFR)s and their ligands, HB-EGF and amphiregulin, thus this growth-factor family may be an important aspect in the patho-biology of this disease. These and other, related findings have provided the rationale for the targeting of the components of the EGFR signaling pathways for cancer therapy. Below we discuss various aspects of EGFR-targeted therapies mainly in hematologic malignancies, lung cancer and breast cancer. Beside novel therapeutic approaches, we also discuss specific side effects associated with the therapeutic inhibition of components of the EGFR-pathways. Alongside small inhibitors, such as Lapatinib (Tykerb, GW572016), Gefitinib (Iressa, ZD1839), and Erlotinib (Tarceva, OSI-774), a significant part of the review is also dedicated to therapeutic antibodies (e.g.: Trastuzumab/Herceptin, Pertuzumab/Omnitarg/rhuMab-2C4, Cetuximab/Erbitux/IMC-C225, Panitumumab/Abenix/ABX-EGF, and also ZD6474). In addition, we summarize, both current therapy development driven by antibody-based targeting of the EGFR-dependent signaling pathways, and furthermore, we provide a background on the history and the development of therapeutic antibodies.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,005 |
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 source (Gemma direct ou Codex distillé), 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 ».