Integrating New Approach Methodologies (NAMs) into Preclinical Regulatory Evaluation of Oncology Drugs
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Traditional animal-based preclinical models, including xenografts and genetically engineered mice, have been used for assessing pharmacodynamics, toxicity, efficacy, and safety for decades. Despite their limited ability to mimic human tumor heterogeneity, immune interactions, and microenvironmental complexity, over 90% of oncology candidates that succeed in animal studies fail in clinical trials. The New Approach Methodologies (NAMs), which include patient-derived organoids, organ-on-chip platforms, and AI-driven computational models, provide human-relevant solutions that can improve predictive validity, mechanistic insight, and ethics. Through these technologies, it will be possible to replicate tumor biology specific to patients, to support co-clinical trial designs, and to facilitate biomarker discovery while reducing animal testing. Several recent regulatory reforms, including the Food and Drug Administration (FDA) Modernization Act 2.0 and the European Medicines Agency's NAM qualification framework, have established clear pathways for the integration of validated NAMs into preclinical drug evaluation. Critically evaluating the scientific rationale, comparative performance, and regulatory context of key NAM platforms in oncology, this review highlights opportunities for synergistic integration, technical refinement, and global harmonization in order to accelerate the development of clinically effective cancer therapeutics based on preclinical findings.
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.
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 | 0,004 | 0,003 |
| 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 découle