Barriers to cancer nutrition therapy: excess catabolism of muscle and adipose tissues induced by tumour products and chemotherapy
Notice bibliographique
Résumé
Cancer-associated malnutrition is driven by reduced dietary intake and by underlying metabolic changes (such as inflammation, anabolic resistance, proteolysis, lipolysis and futile cycling) induced by the tumour and activated immune cells. Cytotoxic and targeted chemotherapies also elicit proteolysis and lipolysis at the tissue level. In this review, we summarise specific mediators and chemotherapy effects that provoke excess proteolysis in muscle and excess lipolysis in adipose tissue. A nutritionally relevant question is whether and to what degree these catabolic changes can be reversed by nutritional therapy. In skeletal muscle, tumour factors and chemotherapy drugs activate intracellular signals that result in the suppression of protein synthesis and activation of a transcriptional programme leading to autophagy and degradation of myofibrillar proteins. Cancer nutrition therapy is intended to ensure adequate provision of energy fuels and a complete repertoire of biosynthetic building blocks. There is some promising evidence that cancer- and chemotherapy-associated metabolic alterations may also be corrected by certain individual nutrients. The amino acids leucine and arginine provided in the diet at least partially reverse anabolic suppression in muscle, while n-3 PUFA inhibit the transcriptional activation of muscle catabolism. Optimal conditions for exploiting these anabolic and anti-catabolic effects are currently under study, with the overall aim of net improvements in muscle mass, functionality, performance status and treatment tolerance.
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 | 0,000 | 0,000 |
| 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 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 ».