Recent advances in tropomyosin receptor kinase (TRK) inhibitors: a 2023–2024 patent landscape review
Notice bibliographique
Résumé
Introduction The rise of tissue-agnostic therapies has revolutionized cancer treatment, with therapies targeting NTRK fusions leading the way. TRK inhibitors like larotrectinib and entrectinib marked a paradigm shift – prioritizing molecular alterations over the tumor’s anatomical location. Acquired resistance remains a significant challenge, with next-generation inhibitors and combination strategies at the forefront of efforts to enhance the clinical efficacy of TRK-targeted therapies.Areas covered This review discusses patents published in 2023 and 2024 covering inhibitors of the TRK family, extending our ongoing review series on TRK inhibitors. Patent searches were conducted using the key word ‘TRK*’ and ‘inhibitor’ in Google Patents database to identify novel TRK-targeting inhibitors and therapeutic strategies.Expert opinion Ongoing advancements in TRK inhibitor development, combination therapies, and precision diagnostics continue to elevate the potential of treatment outcomes. Recent patent filings reflect the expanding promise of TRK inhibitors for NTRK fusion-driven cancers. However, widespread adoption of high-throughput screening remains crucial unlocking their full therapeutic value and delivering truly precision-guided care. Combination therapies with TRK inhibitors are emerging as a key strategy to enhance efficacy and overcome resistance. The FDA’s recent approval of repotrectinib underscores progress in the TRK inhibitor landscape, while highlighting the continued need for innovation.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».