L'étude des effets des estrogènes sur la virothérapie du cancer du sein
Bibliographic record
Abstract
Le cancer est une maladie qui touche des millions de personnes et ne discrimine pas. La forme de cancer la plus répandue chez les femmes au Canada est le cancer du sein et la deuxième cause de décès par le cancer chez cette population. Les traitements dépendent de plusieurs facteurs dont le stade du cancer, la ménopause, le statut des récepteurs hormonaux et du récepteur HER2 du cancer, etc. Les traitements qui existent sont la chirurgie suivie par la radio- et/ou chimiothérapie et l’hormonothérapie. Malgré les nombreuses études et les avancées dans les traitements pour différents cancers, plusieurs patients ont des cancers du sein qui sont réfractaires aux traitements disponibles. Une alternative naissante est l’utilisation de virus oncolytiques, c’est-à-dire des virus qui ciblent spécifiquement les cellules cancéreuses et laissent intact les cellules saines. Malheureusement, certains cancers demeurent réfractaires aux traitements avec virus oncolytiques. Ceci nous amène donc à regarder plus en détail des facteurs de l’environnement tumoral qui pourraient prédire la susceptibilité virale et engendrer des résultats positifs. C’est dans cette perspective que nous avons découvert que l'estrogène, précisément l’estradiol, rend les cellules cancéreuses qui en expriment le récepteur plus sensible au virus oncolytique VSV (virus de la stomatite vésiculaire). Cependant, nous ignorons toujours si d’autres hormones peuvent également moduler l’action de VOs. Nous émettons donc l’hypothèse que, comme l’estrogène, d’autres hormones vont affecter l’efficacité des VOs et qu’il serait possible de manipuler ces interactions pour améliorer la réponse au traitement. Notre étude nous permettra de concevoir des stratégies thérapeutiques améliorées pour les patients atteints du cancer du sein. L’importance de cette étude est que jusqu’à présent l’impact des hormones sur l’efficacité des virus oncolytiques reste un sujet inexploré. Nous allons déterminer l’effet de différents niveaux d’hormones sur la réplication et l’effet oncolytique de VSV. Ceci nous donnera ainsi la possibilité et les connaissances d’améliorer la sélection des patients pour le traitement et la conception d’une nouvelle génération de virus oncolytiques perfectionnés.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
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".