New therapeutic targets for cancer: the interplay between immune and metabolic checkpoints and gut microbiota
Notice bibliographique
Résumé
Transformation and growth of tumor cells are associated with profound alterations in neighbouring cells and their environment, together forming the tumor microenvironment (TME). The TME provides a conducive but complex milieu for the tumors to thrive while incapacitating the immune cells that home there as part of our natural immunosurveillance mechanism. The orchestration of this successful survival strategy by tumor cells is associated with exploitation of numerous metabolic and immune checkpoints, as well as metabolic reprogramming in the tumor cells. Together these form an intricate network of feedback mechanisms that favor the growing tumor. In addition, an ecosystem of microbiota, proximal or distal to tumors, influences the successful survival or elimination of tumor cells mediated by immune cells. Discovery and clinical application of immune checkpoint inhibitors (ICIs) i.e., monoclonal antibodies (mAbs) blocking specific immune checkpoints CTLA-4 and PD-1/PD-L1, have revolutionized therapy of various cancers. However, they are still associated with limited response rates, severe immune-related adverse events, development of resistance, and more serious exacerbation of cancer progression termed hyper-progressive disease. Checkpoint inhibitors only represent a milestone and not the finish-line in the quest for treating and curing cancer. Efforts are underway to investigate and develop inhibitors of other immune as well as metabolic checkpoint molecules. Future therapy for various cancers is projected to target immune and metabolic checkpoints and the microbiota together.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».