A Model-System to Address the Impact of Phenotypic Heterogeneity and Plasticity on the Development of Cancer Therapies
Notice bibliographique
Résumé
The main challenges in developing effective anti-cancer therapies stem from the highly complex and heterogeneous nature of cancer, including the presence of multiple genetically-encoded and environmentally-induced cancer cell phenotypes within an individual. This diversity can make the development of successful treatments difficult as different phenotypes can have different responses to the same treatment. The lack of model-systems that can be used to simultaneously test the effect of therapies on multiple distinct phenotypic states further contributes to this problem. To mitigate these challenges, we suggest that in vitro model-systems that consist of several genetically-related but phenotypically distinct populations can be used as proxies for the several phenotypes present in a patient with advanced disease. As proof of concept, we have developed such a model and showed that different phenotypes had different responses to the same challenge both in terms of sensitivity and phenotypic plasticity. We suggest that similar model-systems could be developed and used when designing novel therapeutic strategies, to address the potential impact of phenotypic heterogeneity and plasticity of cancer on the development of successful therapies. Specifically, the effect of a therapy should be considered on more than one cancer cell phenotype, and both cell viability and changes in phenotypic state (to address potential plastic responses) should be evaluated. Although we are aware of the limitations of in vitro systems, we believe that the use of established cell lines that express multiple phenotypes can provide invaluable insights into the complex interplay between therapies and cancer’s heterogeneous and plastic nature.
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) | 0,000 | 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 ».