A review on single-cell analysis of macrophages in cancer
Notice bibliographique
Résumé
Cancer is characterized by uncontrolled cell growth and spread into surrounding tissue. According to the North American Association of Central Cancer Registries (NAACCR) and the National Center for Health Statistics, there were 1,918,030 cancer cases and a total of 609,360 deaths estimated in the US in 2022. Although the direct cause of cancer is not fully understood, it is recognized that the immune system plays a major role in the development and progression of tumors. Investigating tumor-associated macrophages (TAMs) is crucial for understanding the immunosuppressive role that they may play in the tumor microenvironment, which makes them a target for immunotherapies to combat cancer. However, angiogenesis, tumor initiation and invasion promoting signals prevent gaining deeper insight into the intricate molecular mechanisms involved in TAMs and the tumor microenvironment. While researchers in the past have used population samples to analyze cells, recent efforts have incorporated single-cell technologies to study the complex mixture of cells in a tumor, monitor the effects of immunotherapies and more. With the revolutionary advent of the first single-cell RNA sequencing (scRNA-seq), researchers have since been able to gain insight into single-cell data with unprecedented accuracy and develop new immunotherapies through different single-cell technologies, such as polymethylsiloxane (PDMS) and Multiplexed Ion Beam Imaging (MIBI) multiplexing. In this review, we underline the benefits of adopting single-cell technologies to identify distinct cell types in complex environments (i.e., tumors) and highlight the potential application of these technologies along with various multiplexing techniques to immunotherapies.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| 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 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».