Leveraging liquid biopsy to uncover resistance mechanisms and guide personalized immunotherapy
Notice bibliographique
Résumé
Cancer therapy has been revolutionized by immune checkpoint inhibitors (ICIs) that create a new paradigm among cancer immunotherapies. These agents restore the immune system capacity to fight cancer through blocking the action of major immune checkpoint proteins that suppress immune responses such as programmed cell death protein 1 (PD-1), programmed death-ligand 1 (PD-L1) and cytotoxic T-lymphocyte-associated protein 4 (CTLA-4), which tumors exploit for immune escape. Another advancement is the absence of known biomarkers involves ICIs, which can further be translated into new liquid tests like liquid biopsies, indicating the immune status of the patient. Liquid biopsy is a minimally invasive method for identifying tumor-derived components such as circulating tumor cells, cell-free DNA and extracellular vesicles (EVs) from body fluids for analysis. Researchers increasingly use liquid biopsy for biomarkers discovery and patient stratification into clinical applications. Even though immunotherapy has great advances, still there are obstacles faced while using ICIs. Many patients fail to respond to the treatment because of the heterogeneous mechanisms of resistance. Immunotherapy resistance is a dynamic interplay between tumors and their surrounding stroma. To understand this variability, humanized mice models are increasingly used for mirroring human immune responses. Such models offer insight into cancer immunotherapy when human immune system is engrafted into mice, and EV and biomarker profiles are established in those models. EVs reflect differences in tumor characteristics and the immune landscape around tumors to develop personalized strategies to enhance ICI efficacy. This may improve patient prognosis, giving reason to hope for better, more effective treatments.
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) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».