Des «nanotransporteurs» d’ADN : Repousser les limites des Nanomédicaments pour traiter le cancer
Bibliographic record
Abstract
Une nouvelle classe de transporteurs de médicaments fabriqués avec de l’ADN, qui pourrait améliorer de façon importante le traitement des cancers et d’autres maladies, a été conçue et validée par une équipe de chercheur de l’université de Montréal. Contrairement aux nano-véhicules artificiels actuels (liposomes…), où la concentration de médicament libéré dans le temps par ces véhicules peut varier grandement d’un patient à l’autre, ces transporteurs moléculaires d’ADN peuvent être programmés pour délivrer et maintenir une dose thérapeutique optimale de médicaments dans le sang tout au long du traitement, ce qui les rend plus efficaces et plus précis.Les tests effectués sur des cellules et des modèles animaux se révèlent prometteurs pour deux applications de ces nanotransporteurs d’ADN : l’une contenant la Quinine, un antipaludéen, et l’autre contenant la Doxorubicine, un antibiotique cytotoxique anthracyclinique couramment employé pour traiter le cancer du sein et la leucémie
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 | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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".