Preclinical Testing Techniques: Paving the Way for New Oncology Screening Approaches
Notice bibliographique
Résumé
Prior to clinical trials, preclinical testing of oncology drug candidates is performed by evaluating drug candidates with in vitro and in vivo platforms. For in vivo testing, animal models are used to evaluate the toxicity and efficacy of drug candidates. However, animal models often display poor translational results as many drugs that pass preclinical testing fail when tested with humans, with oncology drugs exhibiting especially poor acceptance rates. The FDA Modernization Act 2.0 promotes alternative preclinical testing techniques, presenting the opportunity to use higher complexity in vitro models as an alternative to in vivo testing, including three-dimensional (3D) cell culture models. Three-dimensional tissue cultures address many of the shortcomings of 2D cultures by more closely replicating the tumour microenvironment through a combination of physiologically relevant drug diffusion, paracrine signalling, cellular phenotype, and vascularization that can better mimic native human tissue. This review will discuss the common forms of 3D cell culture, including cell spheroids, organoids, organs-on-a-chip, and 3D bioprinted tissues. Their advantages and limitations will be presented, aiming to discuss the use of these 3D models to accurately represent human tissue and as an alternative to animal testing. The use of 3D culture platforms for preclinical drug development is expected to accelerate as these platforms continue to improve in complexity, reliability, and translational predictivity.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».