Obesity-Linked Cancers: Current Knowledge, Challenges and Limitations in Mechanistic Studies and Rodent Models
Notice bibliographique
Résumé
The worldwide prevalence of obesity has doubled during the last 50 years, and according to the World Obesity Federation, one third of the people on Earth will be obese by the year 2025. Obesity is described as a chronic, relapsing and multifactorial disease that causes metabolic, biomechanical, and psychosocial health consequences. Growing evidence suggests that obesity is a risk factor for multiple cancer types and rivals smoking as the leading preventable cause for cancer incidence and mortality. The epidemic of obesity will likely generate a new wave of obesity-related cancers with high aggressiveness and shortened latency. Observational studies have shown that from cancer risk to disease prognosis, an individual with obesity is consistently ranked worse compared to their lean counterpart. Mechanistic studies identified similar sets of abnormalities under obesity that may lead to cancer development, including ectopic fat storage, altered adipokine profiles, hormone fluctuations and meta-inflammation, but could not explain how these common mechanisms produce over 13 different cancer types. A major hurdle in the mechanistic underpinning of obesity-related cancer is the lack of suitable pre-clinical models that spontaneously develop obesity-linked cancers like humans. Current approaches and animal models fall short when discerning the confounders that often coexist in obesity. In this mini-review, we will briefly survey advances in the different obesity-linked cancers and discuss the challenges and limitations in the rodent models employed to study their relationship. We will also provide our perspectives on the future of obesity-linked cancer 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.
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 ».