Multimodal Imaging of Pancreatic Cancer Microenvironment in Response to an Antiglycolytic Drug
Notice bibliographique
Résumé
Lipid metabolism and glycolysis play crucial roles in the progression and metastasis of cancer, and the use of 3-bromopyruvate (3-BP) as an antiglycolytic agent has shown promise in killing pancreatic cancer cells. However, developing an effective strategy to avoid chemoresistance requires the ability to probe the interaction of cancer drugs with complex tumor-associated microenvironments (TAMs). Unfortunately, no robust and multiplexed molecular imaging technology is currently available to analyze TAMs. In this study, the simultaneous profiling of three protein biomarkers using SERS nanotags and antibody-functionalized nanoparticles in a syngeneic mouse model of pancreatic cancer (PC) is demonstrated. This allows for comprehensive information about biomarkers and TAM alterations before and after treatment. These multimodal imaging techniques include surface-enhanced Raman spectroscopy (SERS), immunohistochemistry (IHC), polarized light microscopy, second harmonic generation (SHG) microscopy, fluorescence lifetime imaging microscopy (FLIM), and untargeted liquid chromatography and mass spectrometry (LC-MS) analysis. The study reveals the efficacy of 3-BP in treating pancreatic cancer and identifies drug treatment-induced lipid species remodeling and associated pathways through bioinformatics analysis.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».