A Perspective on EGFR and Proteasome-based Targeted Therapy forCancer
Notice bibliographique
Résumé
BACKGROUND: Cancer is known to be the most leading cause of death worldwide. It is understood that the sources causing cancer mainly include the activity of endogenous oncogenes, nonviral compounds and the fundamental portion of these oncogenes; the tyrosine kinase activity and proteasome activity are the main biomarkers responsible for cell proliferation. These biomarkers can be used as main targets and are believed to be the 'prime switches' for the signal communication activity to regulate cell death and cell cycle. Thus, signal transduction inhibitors (ligandreceptor tyrosine kinase inhibitors) and proteasome inhibitors can be used as a therapeutic modality to block the action of signaling between the cells as well as protein breakdown in order to induce cell apoptosis. AIMS: This article highlights the key points and provides an overview of the recent patents on EGFR and proteosome-based inhibitors having therapeutic efficacy. This review focuses on the patents related to therapeutic agents, their preparation process and the final outcome. OBJECTIVE: The main objective of this study is to facilitate the advancement and current perspectives in the treatment of cancer. CONCLUSION: There are numerous strategies discussed in these patents to improve the pharmacokinetics and pharmacodynamics of EGFR and proteasome inhibitors. Further, the resistance to targeted therapy after long-term treatment can be overcome by using various excipients that can be used as a strategy to carry the drug. However, there is a need and scope for improving targeted therapeutics for cancer treatment with better fundamentals and characteristics. The widespread research on cancer therapy can create the path for future advancements in therapy with more prominent outcomes.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».