Approches pour l'investigation de la progression des tumeurs cérébrales
Notice bibliographique
Résumé
Bien que les gliomes soient considérés comme rares en termes d'incidence, ils représentent l'un des plus grands défis dans le domaine de l'oncologie en raison de la charge élevée de soins requis par les patients et du mauvais pronostic de survie. Les glioblastomes IDH-sauvages et les gliomes IDH-mutés nécessitent des recherches supplémentaires pour proposer une amélioration des thérapies actuelles.Les glioblastomes sont les formes les plus fréquentes et les plus agressives de tumeurs cérébrales avec un mauvais pronostic en raison de leur résistance à la chimiothérapie et de leur propriété invasive. Les glioblastomes sont d’autant plus difficiles à traiter qu’en plus de leur caractéristiques cellulaires et moléculaires intrinsèques s’ajoutent des facteurs du microenvironnement. Par exemple, l’invasion tumorale des cellules de glioblastome, qui est une des propriétés tumorales les plus difficiles à cibler, est influencer par la composition de la matrice extracellulaire, les cellules voisines de la tumeur et les propriétés physico-chimiques du cerveau. Le microenvironnement peut également jouer un rôle dans la modulation des fonctions d’une protéine dans le glioblastome. C’est le cas avec la phosphatase PRL2 dont la modulation génétique a montré peu d’effet in vitro mais a eu un effet sur la progression tumorale dans un modèle de xénogreffe de glioblastome. In vivo, PRL2 favorise la croissance tumorale en réponse à des facteurs du microenvironnement et réduit la survie des souris. Cibler les PRL et en particulier PRL2 ouvre la voie à une stratégie thérapeutique dans le traitement du glioblastome.A l’inverse, les gliomes IDH-mutés ont un pronostic de survie plus favorable bien qu’une récurrence de la tumeur soit invariablement observée après le traitement. Le suivi des patients bénéficierait grandement d’une amélioration du diagnostic et de la stratification des patients par groupe homogène en terme de pronostic. En effet, pour le moment les gliomes IDH-mutés montrent une large variation de survenue de la récurrence et donc de la survie des patients. Dans le but d’améliorer la stratification des patients, des méthodes d’intelligence artificielle permettant de combiner des données de transcriptomique, protéomique, imagerie et clinique ont été utilisées. Notamment, nous avons employé des approches d’apprentissage automatique pour déterminer des signatures génique, protéique et d’imagerie qui permettent de mieux stratifier les patients atteints de gliomes IDH-mutés. Ces signatures sont non seulement une preuve de concept de l’intérêt d’intégrer plusieurs paramètres dans le diagnostic des gliomes mais aussi une source de nouvelles potentielles cibles thérapeutiques pour ces gliomes. Cette étude menée sur une cohorte de 150 patients devra être validée sur de plus larges cohortes et dans d’autres centres.Pour résumer, différentes approches de recherche fondamentale et de recherche translationnelle ont permis d’approfondir les connaissances sur la progression des glioblastomes et des gliomes IDH-mutés.
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) | 0,000 | 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 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 ».