Mechanisms of resistance to tyrosine kinase inhibitor‐targeted therapy and overcoming strategies
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Tyrosine kinase inhibitor (TKI)-targeted therapy has revolutionized cancer treatment by selectively blocking specific signaling pathways crucial for tumor growth, offering improved outcomes with fewer side effects compared with conventional chemotherapy. However, despite their initial effectiveness, resistance to TKIs remains a significant challenge in clinical practice. Understanding the mechanisms underlying TKI resistance is paramount for improving patient outcomes and developing more effective treatment strategies. In this review, we explored various mechanisms contributing to TKI resistance, including on-target mechanisms and off-target mechanisms, as well as changes in the tumor histology and tumor microenvironment (intrinsic mechanisms). Additionally, we summarized current therapeutic approaches aiming at circumventing TKI resistance, including the development of next-generation TKIs and combination therapies. We also discussed emerging strategies such as the use of dual-targeted antibodies and PROteolysis Targeting Chimeras. Furthermore, we explored future directions in TKI-targeted therapy, including the methods for detecting and monitoring drug resistance during treatment, identification of novel targets, exploration of dual-acting kinase inhibitors, application of nanotechnologies in targeted therapy, and so on. Overall, this review provides a comprehensive overview of the challenges and opportunities in TKI-targeted therapy, aiming to advance our understanding of resistance mechanisms and guide the development of more effective therapeutic approaches in cancer treatment.
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.
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) | 0,001 | 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) | 0,000 | 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 découle