Role of Resveratrol in Modulating microRNAs in Human Diseases: From Cancer to Inflammatory Disorder
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
Cancer and inflammatory disorders are two important public health issues worldwide with significant socio.economic impacts. Despite several efforts, the current therapeutic platforms are associated with severe limitations. Therefore, developing new therapeutic strategies for the treatment of these diseases is a top priority. Besides current therapies, the utilization of natural compounds has emerged as a new horizon for the treatment of cancer and inflammatory disorders as well. Such natural compounds could be used either alone or in combination with the standard cancer therapeutic modalities such as chemotherapy, radiotherapy, and immunotherapy. Resveratrol is a polyphenolic compound that is found in grapes as well as other foods. It has been found that this medicinal agent displays a wide pharmacological spectrum, including anti-cancer, anti-inflammatory, anti-microbial, and antioxidant activities. Recently, clinical and pre-clinical studies have highlighted the anti-cancer and anti-inflammatory effects of resveratrol. Increasing evidence revealed that resveratrol exerts its therapeutic effects by targeting various cellular and molecular mechanisms. Among cellular and molecular targets that are modulated by resveratrol, microRNAs (miRNAs) have appeared as key targets. MiRNAs are short non-coding RNAs that act as epigenetic regulators. These molecules are involved in many processes that are involved in the initiation and progression of cancer and inflammatory disorders. Herein, we summarized various miRNAs that are directly/indirectly influenced by resveratrol in cancer and inflammatory disorders.
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 | 0,000 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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