Approches pour l'investigation de la progression des tumeurs cérébrales
Bibliographic record
Abstract
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.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 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 | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 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 teacher head, 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".