Stratégies génétiques, immunologiques et pharmacologiques au service d’une nouvelle génération de virus anticancéreux
Bibliographic record
Abstract
Depuis plus d’un siècle, la littérature médicale rapporte des cas d’infections virales à l’origine de régressions tumorales. Ce phénomène, aujourd’hui compris, peut être exploité pour la thérapie des cancers. Il fait intervenir des virus dits oncolytiques. Ces virus, sauvages ou mutés par ingénierie génétique, se répliquent préférentiellement dans les cellules malignes. Ils conduisent à la régression tumorale, selon différents mécanismes dont la lyse directe des cellules cancéreuses et la stimulation d’une réponse immunitaire antitumorale. Plusieurs virus oncolytiques sont en phase avancée d’évaluation clinique et pourraient être approuvés prochainement pour le traitement de certaines tumeurs. Ces résultats sont d’ores et déjà prometteurs. Ils peuvent être améliorés, et diverses stratégies génétiques, immunologiques, et pharmacologiques sont à l’étude afin d’augmenter leur efficacité thérapeutique. Cette synthèse retrace l’historique du développement des virus anticancéreux dits oncolytiques, de leur mise en évidence au siècle précédent à leur évaluation clinique actuelle. Elle présente également les principales stratégies qui ont été utilisées, ou qui sont en développement, pour améliorer l’activité oncolytique et la spécificité tumorale de ces agents thérapeutiques.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.006 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".