It’s all downstream from here: RTK/Raf/MEK/ERK pathway resistance mechanisms in glioblastoma
Notice bibliographique
Résumé
BACKGROUND: The receptor tyrosine kinase (RTK)/Ras/Raf/MEK/ERK signaling pathway is one of the most tumorigenic pathways in cancer, with its hyperactivation strongly linked to the aggressive nature of glioblastoma (GBM). Although extensive research has focused on developing therapeutics targeting this pathway, clinical success remains elusive due to the emergence of resistance mechanisms. OBJECTIVE: This review investigates how inhibition of the RTK/Ras/Raf/MEK/ERK pathway alters transcription factors, contributing to acquired resistance mechanisms in GBM. It also highlights the critical role of transcription factor dysregulation in therapeutic resistance. METHODS & RESULTS: Findings from key studies on the RTK/Ras/Raf/MEK/ERK pathway in GBM were synthesized to explore the role of transcription factor dysregulation in resistance to targeted therapies, radiation, and chemotherapy. The review highlights that transcription factors undergo significant dysregulation following RTK/Ras/Raf/MEK/ERK pathway inhibition, contributing to therapeutic resistance. CONCLUSION: Transcription factors are promising targets for overcoming treatment resistance in GBM, with cotreatment strategies combining RTK/Ras/Raf/MEK/ERK pathway inhibitors and transcription factor-targeted therapies presenting a novel approach. Despite the challenges of targeting complex structures and interactions, advancements in drug development and precision technologies hold great potential. Continued research is essential to refine these strategies and improve outcomes for GBM and other aggressive cancers.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 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 ».