Investigating the Role of E-cigarettes in Epigenetic Changes and Cancer Risk
Notice bibliographique
Résumé
Background: E-cigarettes have become popular as an alternative to traditional smoking but their long-term health effects, especially regarding cancer risk, are concerning. This review evaluates the potential carcinogenic effects of e-cigarettes, focusing on DNA damage, epigenetic changes, and tumor-promoting pathways that may promote tumor development. Materials and Methods: A literature search on PubMed, Scopus, and Web of Science databases yielded studies on e-cigarettes and cancer risk from 2010 to 2024. The employed keywords included "e-cigarettes", "vaping", "cancer risk", and "toxic chemicals". Studies included data on e-cigarette vapor composition and health effects, excluding those on smoking cessation. Data extraction covered study design, population, e-cigarette type, usage, health outcomes, and vapor analysis. Quality was assessed using the Cochrane risk of bias tool and the Newcastle-Ottawa scale. Results: Research indicates that e-cigarettes can cause DNA damage and epigenetic changes that potentially lead to cancer. DNA methylation can alter gene expression and cause mutations, particularly in the respiratory system, increasing cancer risk. Short-term use of e-cigarettes induces lung cancer-related tumor-promoting factors and metastasis in small bronchial tubes. Nicotine inhalation from e-cigarettes can promote tumor growth by stimulating angiogenesis and inhibiting apoptosis, despite nicotine not being a carcinogen. E-cigarette vapor contains known carcinogens like formaldehyde and acetaldehyde, further contributing to cancer risk. Conclusion: Exposure to e-cigarette vapor causes gene expression changes and epigenetic damage similar to those from combustible cigarette smoke, potentially leading to cancer. DNA methylation can change gene expression and cause mutations, especially in respiratory cells.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».