Exploring New Dimensions of Tumor Heterogeneity: The Application of Single Cell Analysis to Organoid‐Based 3D In Vitro Models
Notice bibliographique
Résumé
Modeling the heterogeneity of the tumor microenvironment (TME) in vitro is essential to investigating fundamental cancer biology and developing novel treatment strategies that holistically address the factors affecting tumor progression and therapeutic response. Thus, the development of new tools for both in vitro modeling, such as patient-derived organoids (PDOs) and complex 3D in vitro models, and single cell omics analysis, such as single-cell RNA-sequencing, represents a new frontier for investigating tumor heterogeneity. Specifically, the integration of PDO-based 3D in vitro models and single cell analysis offers a unique opportunity to explore the intersecting effects of interpatient, microenvironmental, and tumor cell heterogeneity on cell phenotypes in the TME. In this review, the current use of PDOs in complex 3D in vitro models of the TME is discussed and the emerging directions in the development of these models are highlighted. Next, work that has successfully applied single cell analysis to PDO-based models is examined and important experimental considerations are identified for this approach. Finally, open questions are highlighted that may be amenable to exploration using the integration of PDO-based models and single cell analysis. Ultimately, such investigations may facilitate the identification of novel therapeutic targets for cancer that address the significant influence of tumor-TME interactions.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».