Impact of Opioids on Cellular Metabolism: Implications for Metabolic Pathways Involved in Cancer
Notice bibliographique
Résumé
Opioid utilization for pain management is prevalent among cancer patients. There is significant evidence describing the many effects of opioids on cancer development. Despite the pivotal role of metabolic reprogramming in facilitating cancer growth and metastasis, the specific impact of opioids on crucial oncogenic metabolic pathways remains inadequately investigated. This review provides an understanding of the current research on opioid-mediated changes to cellular metabolic pathways crucial for oncogenesis, including glycolysis, the tricarboxylic acid cycle, glutaminolysis, and oxidative phosphorylation (OXPHOS). The existing literature suggests that opioids affect energy production pathways via increasing intracellular glucose levels, increasing the production of lactic acid, and reducing ATP levels through impediment of OXPHOS. Opioids modulate pathways involved in redox balance which may allow cancer cells to overcome ROS-mediated apoptotic signaling. The majority of studies have been conducted in healthy tissue with a predominant focus on neuronal cells. To comprehensively understand the impact of opioids on metabolic pathways critical to cancer progression, research must extend beyond healthy tissue and encompass patient-derived cancer tissue, allowing for a better understanding in the context of the metabolic reprogramming already undergone by cancer cells. The current literature is limited by a lack of direct experimentation exploring opioid-induced changes to cancer metabolism as they relate to tumor growth and patient outcome.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».