XiaoMi-AI文件搜索系统
World File Search Systemtumor
颅内生殖细胞肿瘤：基因组诊断的进展和对新型治疗方法的需求
讨论：开发用于诊断和管理恶性肿瘤的液体活检平台是一个快速发展的领域。目前使用传统肿瘤标志物的方法存在很大的局限性。在这篇综述中，我们将讨论颅内 GCT 的遗传和表观遗传特征分析，这些特征正在成为有前途的生物标志物，有助于诊断和管理颅内 GCT。各种研究表明，MAPK 通路的激活突变是颅内 GCT 的常见改变，大多数生殖细胞瘤中都可见 KIT 表达。针对 KIT 的靶向疗法的开发为生殖细胞瘤的靶向治疗带来了前景。正在考虑进行临床开发的其他治疗方式包括免疫疗法和使用免疫检查点抑制剂，尤其是在 NGGCT 中。在这篇综述中，我们将讨论目前正在开发的潜在新型疗法和临床试验。
肿瘤内微生物群：癌症免疫学的新视野
在过去的十年中，高通量测序技术的进步导致了我们对微生物群在人类疾病（尤其是在肿瘤学中）的作用的理解。尽管肿瘤内微生物群的生物量较低，但它仍然是肿瘤免疫微环境的关键组成部分，在不同的肿瘤组织和个体患者中表现出显着的异质性。尽管免疫疗法已经出现了治疗肿瘤的主要策略，但患者对这些治疗的反应差异很大。越来越多的证据表明，肿瘤内菌群与免疫系统之间的相互作用可以调节宿主肿瘤免疫反应，从而影响免疫疗法的有效性。因此，对肿瘤内微生物群如何形成并调节肿瘤免疫微环境是至关重要的。在这里，我们总结了肿瘤内菌群在癌症免疫中的作用的最新进步，探讨了免疫功能受到肠内肿瘤内外肠内微生物群影响的潜在机制。我们还讨论了肿瘤内微生物群对癌症免疫疗法及其临床应用的反应的影响，从而强调了该领域的未来研究方向和挑战。我们预计，在本综述中提供的癌症免疫与肿瘤内微生物群之间的相互作用的宝贵见解将促进基于微生物群的肿瘤疗法的发展。
碳酸酐酶抑制剂U-104抑制肿瘤进展
摘要：U-104是一种有效的碳酸酐酶（CAS）的抑制剂，已显示为几种人类癌症类型的潜在抗肿瘤药物。但是，U-104的下游机制及其在舌鳞状细胞癌（TSCC）中的功能尚不清楚。既没有证实U-104的抗肿瘤效应是否取决于Ca 9和Ca 12。在这项工作中，我们发现了通过RNA测序调节的差异表达的基因（DEG）和电势细胞过程。与细胞死亡相关，细胞增殖，迁移和对药物细胞过程的反应是最高的GO（基因本体学）过程，这与观察到的TSCC 15细胞中U-104治疗的生物学作用一致。此外，Ca 9或Ca 12的敲低（KD）完全消除了对细胞迁移，细胞死亡和临界DEG表达的影响。全部，我们的研究提出了在转录组水平上U-104的调节机制，并证明了u-104的抗肿瘤功能取决于TSCC中Ca 9和Ca 12。我们的发现扩展了有关U-104抗肿瘤功能的当前知识，并为TSCC提供了潜在的治疗选择。关键字：碳酸酐酶抑制剂； U-104; Ca 9; Ca 12;舌鳞状细胞癌CLC编号：R 739。86文档代码：
实现可重复的肿瘤类器官培养
类器官通过在体外准确重现组织和肿瘤的异质性，为推动临床前研究和个性化医疗展现出巨大潜力。然而，缺乏标准化的癌症类器官培养方案阻碍了可重复性。本文全面回顾了当前与癌症类器官培养相关的挑战，并强调了该领域最近的多学科进展，特别关注肝癌类器官培养的标准化。我们讨论了导致技术差异的非标准化方面，包括组织来源、加工技术、培养基配方和基质材料。此外，我们强调需要建立可重复的平台，以准确保留母体肿瘤的遗传、蛋白质组学、形态学和药理学特征。在每个部分的末尾，我们的重点转移到原发性肝癌的类器官培养标准化。通过应对这些挑战，我们可以提高癌症类器官系统的可重复性和临床转化，从而使其在精准医疗、药物筛选和临床前研究中具有潜在应用。
利用肿瘤微环境进行妇科癌症治疗
对妇科癌和宿主免疫力之间的复杂串扰进行了广泛的研究，揭示了对肿瘤发育的迷人见解。包括各种非肿瘤细胞和可溶性介体的肿瘤微环境（TME）在支持妇科癌症发展中起着关键作用（1，2）。在这些元素中，肿瘤 - 纤维化淋巴细胞（TILS）成为捍卫者，配备了识别和消除癌细胞。此外，TME包括与癌症相关的纤维细胞（CAF），内皮细胞，趋化因子，细胞因子，生长因子和抗体，共同调节癌症的启动，进步，甚至治疗反应（3-5）。癌细胞和其他TME成分释放了许多可以抑制或激活免疫细胞功能的免疫调节信号，从而有效地塑造了免疫反应（6-11）。因此，根据其组成，TME有可能将免疫系统从抗肿瘤模式转换为肿瘤状态（图1）。令人鼓舞的是，针对TME成分的治疗方法，包括髓样衍生的抑制细胞（MDSC），与肿瘤相关的巨噬细胞（TAM）和调节性T细胞（Tregs）（Tregs），并在临床前和临床研究中都表现出了令人鼓舞的抗肿瘤活性（12-18）。因此，探索TME的预测和治疗价值是推进妇科癌症治疗的明显希望。在这里，我们发表了一篇研究主题，介绍了六篇文章，重点介绍了针对妇科癌症的TME靶向治疗策略。Yu等人的评论。强调了血管生成在癌症免疫疗法的效率中的关键作用，特别是在卵巢癌的背景下。概述了血管生成，新血管的形成，不仅支持肿瘤的生长和转移，而且显着影响TME，从而影响了免疫疗法（例如免疫检查点抑制剂（ICIS））的成功。通过通过异常肿瘤脉管系统促进血液灌注不足，缺氧和免疫逃避，血管生成为有效的免疫疗法带来了艰巨的障碍。抗血管生成疗法被贝伐单抗等药物示例，其针对这些血管异常，不仅破坏了肿瘤血液供应，而且可以潜在地重塑TME，从而增强了抗肿瘤免疫力。临床和临床前研究表明
多视图脑肿瘤分割（MVBTS）
图2。平面和Triplanar网络的想法。（a）将轴向平面网络从轴向图像进行训练的CA，CCSA和SCSA网络的分割结果组合在一起以产生结果。同样，我们可以创建冠状合奏和矢状 - 合奏。（b）Triplanar网络的概述，在该网络中，从轴向，冠状图像和矢状图像中训练的单个注意网络（例如，CA网络）产生的分段结果合并为生成结果。通过在三个正交平面训练的CCSA和SCSA注意网络中生成类似的分段结果。
先天免疫细胞在结直肠癌肿瘤微环境中的作用以及抗肿瘤治疗研究的进展
大肠癌微环境中的先天免疫细胞主要包括巨噬细胞，中性粒细胞，天然杀伤细胞，树突状细胞和骨髓衍生的抑制细胞。通过分泌多种细胞因子，趋化因子和其他控制这些过程的因素，它们在肿瘤开始和进展中起关键作用。结直肠癌是胃肠道的常见恶性肿瘤，了解先天免疫细胞在CRC微环境中的作用可能有助于改善CRC的治疗方法并增加良好的预后。在这篇综述中，我们全面探讨了先天免疫细胞在结直肠癌（CRC）的启动和进展中的关键作用，以及对当前先天免疫细胞免疫治疗的当前景观的广泛评估，从而为未来的研究策略和临床试验提供了有价值的见解。
针对肠道菌群以增强抗肿瘤效率并减轻CAR-T细胞疗法的毒性：新希望吗？
嵌合抗原受体（CAR）-T细胞疗法在血液学恶性肿瘤治疗方面已获得了巨大的效率，并且代表了一种有希望的癌症治疗方案。尽管血液系统恶性肿瘤患者的反应惊人，但大多数用CAR-T细胞治疗的实体瘤患者的反应率较低，并且经历了重大不良反应，这表明需要使用未来CAR-T细胞治疗的生物标志物来预测和改善临床结果。最近，已经建立了肠道微生物群在癌症治疗中的作用，越来越多的证据表明，肠道菌群特征可能会被利用，以个人预测治疗反应或在优化CAR-T细胞疗法中的不良反应。在这篇综述中，我们讨论了对CAR-T细胞疗法和肠道菌群的当前理解，以及肠道菌群与CAR-T细胞疗法之间的相互作用。最重要的是，我们重点介绍了利用肠道菌群作为CAR-T细胞疗法效率的预测因素和修饰的潜在策略和挑战，同时减弱了毒性。
ONMIMHC：通过增强的肽-MHC结合预测的UCEC肿瘤疫苗开发的机器学习解决方案
免疫系统中主要的组织相容性复合物（MHC）I类和II类分子的关键作用已得到很好的确定。本研究旨在开发一种新型的机器学习框架，用于通过MHC I类和II类分子预测抗原肽表现。通过整合大规模质谱数据和其他相关数据类型，我们基于深度学习提供了预测模型ONMIMHC。我们使用独立的测试集对其性能进行了严格的评估，ONMIMHC在MHC-I任务中的PR-AUC得分为0.854，Top20％-PPV为0.934，这表现优于现有方法。同样，在MHC-II预测的域中，我们的模型ONMIMHC的PR-AUC得分为0.606，TOP20％-PPV为0.690，表现出优于其他基线方法。这些结果证明了我们模型ONMIMHC在准确预测MHC-I和MHC-II分子之间的肽MHC结合后的优势。凭借其出色的准确性和预测能力，我们的模型不仅在一般的预测任务中出色，而且在预测新抗原针对特定癌症类型的新抗原方面也取得了显着的结果。特别是对于子宫菌群子宫内膜癌（UCEC），我们的模型成功地预测了新抗原，对普通人类等位基因具有很高的结合概率。这一发现对于开发针对UCEC的个性化肿瘤疫苗非常重要。
一种脑肿瘤分割的持续学习方法
脑肿瘤的特征是脑组织异常生长，因其对全球发病率和死亡率的影响而成为一项重大的医学挑战。脑肿瘤有多种表现形式，从良性到恶性，后者尤其具有侵袭性且易于转移 (1)。脑肿瘤的病因复杂，包括放射线暴露、遗传易感性和家族史等因素，因此需要早期发现和准确诊断 (2)。在脑肿瘤诊断领域，磁共振成像 (MRI) 因其更高的空间分辨率和软组织对比度而成为优于计算机断层扫描 (CT) 的检查方式。这使得 MRI 成为脑肿瘤病例术前评估、治疗管理和生存预测所必需的 (3)。然而，MRI 扫描中传统的手动分割方法虽然是黄金标准，但却存在固有的效率低下和主观差异性，因此有必要探索自动化技术 (4、5)。近年来，深度学习模型（例如 Ma 等人提出的模型）在自动脑肿瘤分割方面取得了重大成功。这些模型擅长捕捉局部和全局上下文特征，但通常会遇到梯度消失和过拟合的问题，尤其是在较深的网络层中。Kumar 等人（7）通过将 ResNet50 与全局平均池化相结合来解决这些问题，以增强各种肿瘤类型的肿瘤分类。在此基础上，我们的研究引入了一种先进的连续学习框架，用于从 MRI 图像中分割脑肿瘤，如图 1 所示。我们的方法与现有技术不同，它集成了多尺度空间蒸馏和伪标记策略。这种方法不仅克服了以前模型中出现的梯度消失和过拟合的局限性，而且还解决了灾难性遗忘问题——这是连续学习模型中常见的挑战。与依赖于保留数据的传统方法不同，我们的研究引入了一种先进的连续学习框架，用于从 MRI 图像中分割脑肿瘤，如图 1 所示。我们的方法与现有技术不同，它集成了多尺度空间蒸馏和伪标记策略。这种方法不仅克服了以前模型中出现的梯度消失和过拟合的局限性，而且还解决了灾难性遗忘问题——这是连续学习模型中常见的挑战。与依赖于保留数据的传统方法不同，我们的研究引入了一种先进的连续学习框架，用于从 MRI 图像中分割脑肿瘤，如图 1 所示。