Hypersialylation in Cancer: Modulation of Inflammation and Therapeutic Opportunities
Notice bibliographique
Résumé
Cell surface glycosylation is dynamic and often changes in response to cellular differentiation under physiological or pathophysiological conditions. Altered glycosylation on cancers cells is gaining attention due its wide-spread occurrence across a variety of cancer types and recent studies that have documented functional roles for aberrant glycosylation in driving cancer progression at various stages. One change in glycosylation that can correlate with cancer stage and disease prognosis is hypersialylation. Increased levels of sialic acid are pervasive in cancer and a growing body of evidence demonstrates how hypersialylation is advantageous to cancer cells, particularly from the perspective of modulating immune cell responses. Sialic acid-binding receptors, such as Siglecs and Selectins, are well-positioned to be exploited by cancer hypersialylation. Evidence is also mounting that Siglecs modulate key immune cell types in the tumor microenvironment, particularly those responsible for maintaining the appropriate inflammatory environment. From these studies have come new and innovative ways to block the effects of hypersialylation by directly reducing sialic acid on cancer cells or blocking interactions between sialic acid and Siglecs or Selectins. Here we review recent works examining how cancer cells become hypersialylated, how hypersialylation benefits cancer cells and tumors, and proposed therapies to abrogate hypersialylation of cancer.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| 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) | 0,004 | 0,002 |
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 ».