Role of Antioxidant Vitamins and Other Micronutrients on Regulations of Specific Genes and Signaling Pathways in the Prevention and Treatment of Cancer
Notice bibliographique
Résumé
Cancer is an escalating global issue, with 19.3 million new cases and 9.9 million deaths in 2020. Therefore, effective approaches to prevent cancer are urgently required. Diet plays a significant role in determining cancer risk. Nutrients and food bioactives influence specific signaling pathways in the body. Recently, there have been significant advances in cancer prevention research through nutrigenomics or with the effects of dietary components on the genome. Google Scholar, PubMed, and Scopus databases were used to search for peer-reviewed articles between 2017 and 2023. Criteria used were vitamins, minerals, tumors, cancer, genes, inflammation, signaling pathways, and nutrigenomics. Among the total of 1857 articles available, the highest relevant 90 articles that specifically discussed signaling pathways and genes on cancer cell lines and human cancer patients were selected and reviewed. Food sources are rich in antioxidant micronutrients, which are effective in activating or regulating signaling pathways involved in pathogenesis and cancer therapy by activating enzymes such as mitogen-activated protein kinase (MAPK), protein kinase C (PKC), and phosphatidylinositol 3-kinase (PI3K). The micronutrients are involved in the regulation of β-catenin (WNT/β-catenin) including mutations in Kras and epidermal growth factor receptor (EGFR) alongside inhibition of the NF-kB pathway. The most common mechanism of cancer prevention by these micronutrients is their antioxidative, anti-inflammation, and anti-apoptosis effects. This review discusses how nutrigenomics is essential and beneficial for developing cancer prevention and treatment approaches.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 ».