Reposicionamento De Fármacos Para Câncer De Mama Triplo-Negativo Resistente Por Meio Da Integração Multiômica e Inteligência Artificial com Validação Experimental no Modelo Singênico 4T1
Notice bibliographique
Résumé
O câncer de mama triplo-negativo (TNBC) corresponde a 15–20% dos diagnósticos de câncer de mama e apresenta prognóstico desfavorável, principalmente em decorrência da ausência de alvos terapêuticos específicos e do desenvolvimento frequente de quimiorresistência. Este projeto propõe uma abordagem integrativa para identificar fármacos reposicionáveis capazes de reverter a resistência terapêutica em TNBC, combinando análises multiômicas computacionais e validação experimental. Serão analisados dados públicos de transcriptômica single-cell de pacientes submetidas à quimioterapia neoadjuvante para a definição de assinaturas moleculares associadas à resistência. Essas assinaturas serão exploradas para priorização de compostos por meio de connectivity mapping, análise de redes regulatórias e algoritmos de inteligência artificial e machine learning. Durante estágio de pesquisa na McGill University, serão aplicados métodos avançados de inferência de redes gênicas e análise de elementos regulatórios epigenéticos para elucidar os mecanismos transcricionais subjacentes à resistência e refinar a seleção dos candidatos terapêuticos. A validação experimental incluirá a geração de linhagens celulares resistentes in vitro, ensaios de eficácia e reversão de resistência, e validação em modelo singênico murino 4T1, com avaliação de eficácia antitumoral, impacto metastático e análises imunohistoquímicas. Espera-se identificar de três a cinco fármacos reposicionáveis com potencial sinérgico à quimioterapia e capacidade de modular os programas moleculares associados à quimiorresistência, contribuindo para o avanço de estratégias terapêuticas no TNBC.
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) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,014 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».