MétaCan
Menu
Retour à la cohorte
Enregistrement W4409039997 · doi:10.1021/acsnano.4c18954

Regulating the Tumor Microbiome through Near-Infrared-III Light-Excited Photosynthesis

2025· article· en· W4409039997 sur OpenAlexaff
Feiyu Li, Bingzhu Zheng, Jiafei Chen, Qilong Yan, Zijie Lu, Chao Fang, Yike Fu, Xiang Li

Notice bibliographique

RevueACS Nano · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueNanoplatforms for cancer theranostics
Établissements canadiensArtificial Intelligence in Medicine (Canada)
Organismes subventionnairesFundamental Research Funds for the Central UniversitiesChina Postdoctoral Science FoundationNational Natural Science Foundation of China
Mots-clésPhotosynthesisMicrobiomeExcited stateInfraredNanotechnologyArtificial photosynthesisMaterials scienceOptoelectronicsPhotochemistryAstrobiologyEnvironmental scienceBiologyChemistryPhotocatalysisBotanyOpticsPhysicsBioinformaticsAtomic physicsBiochemistry

Résumé

récupéré en direct d'OpenAlex

Tumor microbiomes are increasingly associated with the growth and metastasis of tumors. Exploring the regulation of the tumor microbiome through therapeutics is an area of interest in cancer therapy. In this study, the authors have investigated a biohybrid with 1550 nm light-excited photosynthetic ability to regulate the tumor microbiome. This system utilizes Er-based core–shell upconversion nanoparticles to arm microalga Chlorella, enabling the rapid evolution of Chlorella to perform oxygenic photosynthesis under 1550 nm light excitation. This biohybrid may alleviate hypoxia within the tumor microenvironment and induce significant changes in the tumor microbiome, ultimately resulting in marked inhibition of tumor growth. Benefiting from the strong tissue penetration ability of 1550 nm light, this biohybrid also exhibits clear inhibition of deep-seated tumors. The therapeutic efficacy of microbiome regulation is directly mediated by immune activation, converting “cold” tumors into “hot” tumors, which also leads to a long-lasting immune memory effect.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,177
Score d'incertitude au seuil0,827

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,207
Écart entre enseignants0,201 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueACS NanoMême sujetNanoplatforms for cancer theranosticsTravaux en français237 207