MétaCan
Menu
Retour à la cohorte
Enregistrement W3038775292 · doi:10.20517/cdr.2020.20

Exploring near-infrared absorbing nanocarriers to overcome cancer drug resistance

2020· review· en· W3038775292 sur OpenAlexaff
Siwei Chu, Ursula Stochaj

Notice bibliographique

RevueCancer Drug Resistance · 2020
Typereview
Langueen
DomaineEngineering
ThématiqueNanoplatforms for cancer theranostics
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésNanocarriersNanomedicineNanotechnologyCancer therapyCancerMultiple drug resistanceBroad spectrumDrugDrug resistanceDrug deliveryMedicineMaterials sciencePharmacologyNanoparticleChemistryBiologyCombinatorial chemistryInternal medicine

Résumé

récupéré en direct d'OpenAlex

One of the major obstacles of successful cancer therapy is cancer drug resistance. The unique tools and applications developed by nanomedicine provide new approaches to surmount this common limitation of current treatment regimens. Nanocarriers that absorb light in the near-infrared spectrum are particularly suitable for this purpose. These nanocarriers can produce heat, release drugs or stimulate the production of physiologically relevant compounds when illuminated with near-infrared light. The current review summarizes the causes contributing to cancer multidrug resistance. The major types of nanocarriers that have been developed in recent years to overcome these hurdles are described. We focus on nanoparticles that are responsive to near-infrared light and suitable to surmount cancer multidrug resistance. Our review concludes with the bottlenecks that currently restrict the use of nanocarriers in the clinic and an outlook on future directions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesMéta-épidémiologie (sens strict)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,721
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0040,001
Bibliométrie0,0000,003
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0020,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,067
Tête enseignante GPT0,288
Écart entre enseignants0,221 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCancer Drug ResistanceMême sujetNanoplatforms for cancer theranosticsTravaux en français237 207