Targeting autophagy in prostate cancer: preclinical and clinical evidence for therapeutic response
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
Prostate cancer is a leading cause of death worldwide and new estimates revealed prostate cancer as the leading cause of death in men in 2021. Therefore, new strategies are pertinent in the treatment of this malignant disease. Macroautophagy/autophagy is a "self-degradation" mechanism capable of facilitating the turnover of long-lived and toxic macromolecules and organelles. Recently, attention has been drawn towards the role of autophagy in cancer and how its modulation provides effective cancer therapy. In the present review, we provide a mechanistic discussion of autophagy in prostate cancer. Autophagy can promote/inhibit proliferation and survival of prostate cancer cells. Besides, metastasis of prostate cancer cells is affected (via induction and inhibition) by autophagy. Autophagy can affect the response of prostate cancer cells to therapy such as chemotherapy and radiotherapy, given the close association between autophagy and apoptosis. Increasing evidence has demonstrated that upstream mediators such as AMPK, non-coding RNAs, KLF5, MTOR and others regulate autophagy in prostate cancer. Anti-tumor compounds, for instance phytochemicals, dually inhibit or induce autophagy in prostate cancer therapy. For improving prostate cancer therapy, nanotherapeutics such as chitosan nanoparticles have been developed. With respect to the context-dependent role of autophagy in prostate cancer, genetic tools such as siRNA and CRISPR-Cas9 can be utilized for targeting autophagic genes. Finally, these findings can be translated into preclinical and clinical studies to improve survival and prognosis of prostate cancer patients.
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 | 0,031 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,005 |
| 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