Notice bibliographique
Résumé
Cancer consistently ranks among the top causes of death worldwide. Traditional therapies include surgery, chemotherapy, and radiation. However, many patients either do not respond to or develop specific treatment resistance. Given the advent of genome, transcriptome, and proteome technologies, personalized medicine has gained tremendous recognition as a therapeutic field. Antibodies are Y-shaped proteins produced by activated B immune cells, featuring two substrate recognition sites. They identify and bind to invading pathogens, such as bacteria, viruses, and toxins to help prevent and eliminate infections. The concept and potential of therapeutic monoclonal antibodies (mAbs) in cancer was put forth by Paul Ehrlich over a century ago. A breakthrough by Köhler and Milstein (Cambridge, 1975) followed the development of hybridoma technology, allowing mass production of specific antigen-induced mAbs. MAbs exert their effect through various mechanisms to combat malignancies. Depending on their design, mAbs bind to specific cognate cell-surface receptors to modulate cell growth, apoptosis, and immune recognition. MAbs targeting various cancer types have received clinical approval. For instance, rituximab binds CD20 expressed on B cell non-Hodgkin lymphoma (NHL) and chronic lymphocytic leukemia (CLL), leading to immune-mediated target cell destruction. A class of mAbs known as immune checkpoint inhibitors (ICIs), activate the body's natural immune response against tumor cells by blocking their suppression. Notable ICI include pembrolizumab and nivolumab, which specifically target the programmed cell death receptor-1 (PD-1). Unlike traditional therapies which often cause damage to healthy cells, mAbs are intrinsically target-specific, reducing or eliminating harmful side effects. As such, they have emerged to provide more effective and less toxic options for cancer patients.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,054 | 0,032 |
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 source (Gemma direct ou Codex distillé), 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 ».