Fuel for thought: targeting metabolism in lung cancer
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
For over a century, we have appreciated that the biochemical processes through which micro- and macronutrients are anabolized and catabolized-collectively referred to as "cellular metabolism"-are reprogrammed in malignancies. Cancer cells in lung tumors rewire pathways of nutrient acquisition and metabolism to meet the bioenergetic demands for unchecked proliferation. Advances in precision medicine have ushered in routine genotyping of patient lung tumors, enabling a deeper understanding of the contribution of altered metabolism to tumor biology and patient outcomes. This paradigm shift in thoracic oncology has spawned a new enthusiasm for dissecting oncogenotype-specific metabolic phenotypes and creates opportunity for selective targeting of essential tumor metabolic pathways. In this review, we discuss metabolic states across histologic and molecular subtypes of lung cancers and the additional changes in tumor metabolic pathways that occur during acquired therapeutic resistance. We summarize the clinical investigation of metabolism-specific therapies, addressing successes and limitations to guide the evaluation of these novel strategies in the clinic. Beyond changes in tumor metabolism, we also highlight how non-cellular autonomous processes merit particular consideration when manipulating metabolic processes systemically, such as efforts to disentangle how lung tumor cells influence immunometabolism. As the future of metabolic therapeutics hinges on use of models that faithfully recapitulate metabolic rewiring in lung cancer, we also discuss best practices for harmonizing workflows to capture patient specimens for translational metabolic analyses.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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