Metabolic crossroads: unravelling immune cell dynamics in gastrointestinal cancer drug resistance
Notice bibliographique
Résumé
Metabolic reprogramming within the tumor microenvironment (TME) plays a critical role in driving drug resistance in gastrointestinal cancers (GI), particularly through the pathways of fatty acid oxidation and glycolysis. Cancer cells often rewire their metabolism to sustain growth and reshape the TME, creating conditions such as nutrient depletion, hypoxia, and acidity that impair antitumor immune responses. Immune cells within the TME also undergo metabolic alterations, frequently adopting immunosuppressive phenotypes that promote tumor progression and reduce the efficacy of therapies. The competition for essential nutrients, particularly glucose, between cancer and immune cells compromises the antitumor functions of effector immune cells, such as T cells. Additionally, metabolic by-products like lactate and kynurenine further suppress immune activity and promote immunosuppressive populations, including regulatory T cells and M2 macrophages. Targeting metabolic pathways such as fatty acid oxidation and glycolysis presents new opportunities to overcome drug resistance and improve therapeutic outcomes in GI cancers. Modulating these key pathways has the potential to reinvigorate exhausted immune cells, shift immunosuppressive cells toward antitumor phenotypes, and enhance the effectiveness of immunotherapies and other treatments. Future strategies will require continued research into TME metabolism, the development of novel metabolic inhibitors, and clinical trials evaluating combination therapies. Identifying and validating metabolic biomarkers will also be crucial for patient stratification and treatment monitoring. Insights into metabolic reprogramming in GI cancers may have broader implications across multiple cancer types, offering new avenues for improving 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.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».