Bibliographic record
Abstract
> L'activation anormale de la protéine kinase BRAF ou de composantes de la voie ERK dont elle fait partie se manifeste dans une forte proportion de tumeurs cancéreuses humaines [1].BRAF elle-même est mutée dans 8 % des cancers avec des incidences élevées dans les mélanomes (70 %) et les tumeurs thyroïdiennes (33 %) [2].BRAF s'avère donc être une cible de choix dans les thérapies anticancéreuses comme en témoignent plusieurs essais cliniques en cours [1].Dans sa forme la plus simple, la voie ERK comprend trois kinases, soit RAF, MEK et ERK/MAPK, qui transmettent par le biais de phosphorylations en cascade les signaux émis par la petite GTPase RAS.Cette dernière est elle-même activée par des récepteurs membranaires, le plus souvent des récepteurs à activité tyrosine kinase (RTK), en réponse à des signaux extracellulaires de prolifération, de différenciation ou de survie cellulaire [3].Le module RAF-MEK-ERK est l'un des mieux caractérisés dans le domaine de la signalisation intracellulaire.Cependant, plusieurs stades du mécanisme restent encore à élucider comme, par exemple, la séquence exacte des événements conduisant à l'activation catalytique de RAF. Complexité du mécanisme d'activation de RAFL'activation de RAF passe par plusieurs étapes.Certaines mettent en œuvre des régulations non covalentes qui modifient la localisation subcellulaire de RAF ou la conformation de sa structure tridimensionnelle, tandis que d'autres de RAF [5,6].Nos travaux récents, qui font l'objet de la présente nouvelle, ont révélé le mécanisme par lequel KSR contribue à l'activation de RAF.De plus, ils dévoilent un aspect central du processus d'activation de RAF insoupçonné jusqu'ici.
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 | 0.000 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 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".