Combining anti-metabolic treatments with the repurposing of eribulin for glioblastoma: a clinical opportunity?
Notice bibliographique
Résumé
Glioblastoma (GBM) can either develop de novo or through progression from clinically silent low-grade gliomas or diffuse infiltrating astrocytomas, which usually develop throughout childhood and slowly expand through young adulthood.In most cases, this devastating disease has a high risk of recurrence and morbidity, which mostly affects young adults (1,2).Aggressive treatment typically involves initial maximal surgical resection, followed by radiotherapy with concomitant and maintenance temozolomide (TMZ), in combination with bevacizumab (3).However, once developed, the infiltrative and recurrent nature of GBM accounts for post-chemo/radiotherapy failures and a short median survival (less than 15 months) (1-3).Consequently, there is an urgent need to develop new therapies to improve the survival and the quality of life of GBM patients.In their recent study, Alcântara et al. studied the impact of eribulin on glioma and GBM cells (4).Eribulin is a drug commonly used for breast cancer chemotherapy (5).This drug is known to efficiently inhibit microtubule polymerization in numerous cancer cells, and the authors tested if it could be repurposed for GBM treatment.To this end, they used several cell lines in vitro, including HOG, T98G, U87MG, U251MG, and U138MG.While low nM concentrations of eribulin were highly efficient in some cell lines, reducing, for example, cell viability <95% in HOG cells, heterogeneity was observed with some cell
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,020 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
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 ».