Seeding metastases: The role and clinical utility of circulating tumour cells
Notice bibliographique
Résumé
Peripheral human blood is a readily-accessible source of patient material in which circulating tumour cells (CTCs) can be found. Their isolation and characterization holds the potential to provide prognostic value for various solid cancers. Enumeration of CTCs from blood is becoming a common practice in informing prognosis and may guide therapy decisions. It is further recognized that enumeration alone does not capture perspective on the heterogeneity of tumours and varying functional abilities of the CTCs to interact with the secondary microenvironment. Characterizing the isolated CTCs further, in particular assessing their functional abilities, can track molecular changes in the disease progress. As a step towards identifying a suite of functional features of CTCs that could aid in clinical decisions, developing a CTC isolation technique based on extracellular matrix (ECM) interactions may provide a more solid foundation for isolating the cells of interest. Techniques based on size, charge, density, and single biomarkers are not sufficient as they underutilize other characteristics of cancer cells. The ability of cancer cells to interact with ECM proteins presents an opportunity to utilize their full character in capturing, and also allows assessment of the features that reveal how cells might behave at secondary sites during metastasis. This article will review some common techniques and recent advances in CTC capture technologies. It will further explore the heterogeneity of the CTC population, challenges they experience in their metastatic journey, and the advantages of utilizing an ECM-based platform for CTC capture. Lastly, we will discuss how tailored ECM approaches may present an optimal platform to capture an influential heterogeneous population of CTCs.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| 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) | 0,000 | 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 ».