Understanding the Bone in Cancer Metastasis
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
Unfortunately, once cancer spreads to the bone, it is rarely cured and is associated with a wide range of morbidities including pain, increased risk of fracture, and hypercalcemia. This fact has driven experts in the fields of bone and cancer biology to study the bone, and has revealed that there is a great deal that each can teach the other. The complexity of the bone was first described in 1889 when Stephen Paget proposed that tumor cells have a proclivity for certain organs, where they "seed" into a friendly "soil" and eventually grow into metastatic lesions. Dr. Paget went on to argue that although many study the "seed" it would be paramount to understand the "soil." Since this original work, significant advances have been made not only in understanding the cell-autonomous mechanisms that drive metastasis, but also alterations which drive changes to the "soil" that allow a tumor cell to thrive. Indeed, it is now clear that the "soil" in different metastatic sites is unique, and thus the mechanisms that allow tumor cells to remain in a dormant or growing state are specific to the organ in question. In the bone, our knowledge of the components that contribute to this fertile "soil" continues to expand, but our understanding of how they impact tumor growth in the bone remains in its infancy. Indeed, we now appreciate that the endosteal niche likely contributes to tumor cell dormancy, and that osteoclasts, osteocytes, and adipocytes can impact tumor cell growth. Here, we discuss the bone microenvironment and how it impacts cancer cell seeding, dormancy, and growth. © 2018 American Society for Bone and Mineral Research.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,000 | 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 découle