MétaCan
Menu
Retour à la cohorte
Enregistrement W4414106947 · doi:10.1016/j.celrep.2025.116258

Next-gen tools in cancer neuroscience

2025· review· en· W4414106947 sur OpenAlexafffund
Vera Thiel, Debpali Sur, Caroline C. Picoli, Tamara McErlain, Katalina Couto, David Simon, Yuan Pan, Karen O. Dixon, Rajan P. Kulkarni, Sébastien Talbot, Alexander Birbrair

Notice bibliographique

RevueCell Reports · 2025
Typereview
Langueen
DomaineNeuroscience
ThématiquePhotoreceptor and optogenetics research
Établissements canadiensQueen's UniversityMcGill University
Organismes subventionnairesCanadian Institutes of Health ResearchVetenskapsrådetNatural Sciences and Engineering Research Council of CanadaKnut och Alice Wallenbergs StiftelseCanadian Cancer SocietyNational Institute of Dental and Craniofacial ResearchCanada Foundation for InnovationRobert J. Kleberg, Jr. and Helen C. Kleberg FoundationU.S. Department of DefenseAndrew Sabin Family FoundationAmerican Cancer SocietyU.S. Department of Veterans AffairsGilbert Family FoundationCancer Prevention and Research Institute of TexasUniversity of Wisconsin Carbone Cancer CenterSchweizerischer Nationalfonds zur Förderung der Wissenschaftlichen Forschung
Mots-clésSystems neuroscienceClosing (real estate)Field (mathematics)CancerKey (lock)Computational neuroscienceEmerging technologies

Résumé

récupéré en direct d'OpenAlex

The emerging field of cancer neuroscience is rapidly evolving, driven by novel technologies and tools. These include advances in single-cell and spatial transcriptomics; genetic mouse models paired with automated high-throughput; and innovative optical electrophysiological approaches, optogenetics, chemogenetics, engineered viruses, and new methods for visualizing neuronal activity. Collectively, these technologies are revolutionizing how we investigate, manipulate, and characterize distinct components that contribute to the nervous system-cancer interface. In the present review, we discuss the key technologies that are closing the gap between oncology and neuroscience, highlighting the innovations that are propelling the cancer neuroscience field forward.

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)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,984
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
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 Opus0,219
Tête enseignante GPT0,430
Écart entre enseignants0,210 · 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.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

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

En bref

Citations5
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCell ReportsMême sujetPhotoreceptor and optogenetics researchTravaux en français237 207