The paradoxical role of cytokines and chemokines at the tumor microenvironment: a comprehensive review
Notice bibliographique
Résumé
Tumor progression and eradication have long piqued the scientific community's interest. Recent discoveries about the role of chemokines and cytokines in these processes have fueled renewed interest in related research. These roles are frequently viewed as contentious due to their ability to both suppress and promote cancer progression. As a result, this review critically appraised existing literature to discuss the unique roles of cytokines and chemokines in the tumor microenvironment, as well as the existing challenges and future opportunities for exploiting these roles to develop novel and targeted treatments. While these modulatory molecules play an important role in tumor suppression via enhanced cancer-cell identification by cytotoxic effector cells and directly recruiting immunological effector cells and stromal cells in the TME, we observed that they also promote tumor proliferation. Many cytokines, including GM-CSF, IL-7, IL-12, IL-15, IL-18, and IL-21, have entered clinical trials for people with advanced cancer, while the FDA has approved interferon-alpha and IL-2. Nonetheless, low efficacy and dose-limiting toxicity limit these agents' full potential. Conversely, Chemokines have tremendous potential for increasing cancer immune-cell penetration of the tumor microenvironment and promoting beneficial immunological interactions. When chemokines are combined with cytokines, they activate lymphocytes, producing IL-2, CD80, and IL-12, all of which have a strong anticancer effect. This phenomenon opens the door to the development of effective anticancer combination therapies, such as therapies that can reverse cancer escape, and chemotaxis of immunosuppressive cells like Tregs, MDSCs, and TAMs.
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 | 0,012 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».