From Oncogenic Signaling Pathways to Single-Cell Sequencing of Immune Cells: Changing the Landscape of Cancer Immunotherapy
Notice bibliographique
Résumé
Over the past decade, there have been remarkable advances in understanding the signaling pathways involved in cancer development. It is well-established that cancer is caused by the dysregulation of cellular pathways involved in proliferation, cell cycle, apoptosis, cell metabolism, migration, cell polarity, and differentiation. Besides, growing evidence indicates that extracellular matrix signaling, cell surface proteoglycans, and angiogenesis can contribute to cancer development. Given the genetic instability and vast intra-tumoral heterogeneity revealed by the single-cell sequencing of tumoral cells, the current approaches cannot eliminate the mutating cancer cells. Besides, the polyclonal expansion of tumor-infiltrated lymphocytes in response to tumoral neoantigens cannot elicit anti-tumoral immune responses due to the immunosuppressive tumor microenvironment. Nevertheless, the data from the single-cell sequencing of immune cells can provide valuable insights regarding the expression of inhibitory immune checkpoints/related signaling factors in immune cells, which can be used to select immune checkpoint inhibitors and adjust their dosage. Indeed, the integration of the data obtained from the single-cell sequencing of immune cells with immune checkpoint inhibitors can increase the response rate of immune checkpoint inhibitors, decrease the immune-related adverse events, and facilitate tumoral cell elimination. This study aims to review key pathways involved in tumor development and shed light on single-cell sequencing. It also intends to address the shortcomings of immune checkpoint inhibitors, i.e., their varied response rates among cancer patients and increased risk of autoimmunity development, via applying the data from the single-cell sequencing of immune cells.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».