EGFr, FGFr and PDGFr: Emerging Targets for Anticancer Drug Design
Notice bibliographique
Résumé
Number of cancer affected individuals are increasing day by each year, 11 million people are diagnosed with cancer out of which 7.6 million people die of this deadly disease which is a very significant figure in worldwide mortality. It has been estimated that there will be 16 million new cancer cases every year by 2020. Despite tremendous chemotherapeutics are given to treat cancer toxicity appears to be the most seminal point which can kill normal body cells along with abnormal cancerous cells. Therefore, researchers have been devoted to discover less toxic new chemotherapeutics which can prevent damage to the normal tissues. Recent advancements in molecular biology of cancer and different pathways involved in malignant transformation of cells clearly demonstrate that one of the important mechanisms for progression of cancer is abnormal signal transduction via tyrosine protein kinase. Tyrosine kinase catalyzes phosphorylation of tyrosine residues in proteins. The phosphorylation of protein residue results into the functions of protein. Tyrosine kinase function in many signal transduction cascades wherein extracellular signal is transmitted through the cell membrane receptors (EGFr/FGFr/PDGFr/C-src) to the nucleus where gene encoding this receptor protein maybe modified by this signal. Mutation of gene may causes abnormal signal transduction and leads to the progression of cancer. Therefore EGFr, FGFr and PDGFr have become the emerging targets for development of promising anticancer leads having lower toxicity. The present review is an attempt in this direction dealing with various aspects of cancer, molecular pharmacology of EGFr, FGFr and PDGFr tyrosine protein kinases which has a direct bearing on the design and development of newer chemotherapeutics.
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 | 0,001 |
| 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 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 ».