PubMed دسترسی آزاد

A novel oncolytic peptide synergizing with immunotherapy.

استودیوی صوتی مقاله

پخش حرفه‌ای فارسی و انگلیسی

در حال بررسی نسخه‌های صوتی ذخیره‌شده…

صوت تولیدشده با هوش مصنوعی است. برای کاربرد علمی یا درمانی، متن و منبع اصلی را بررسی کنید.
خواندن هوشمند فارسی و انگلیسی در حال آماده‌سازی صداهای مرورگر…
تنظیم صدای طبیعی و سرعت

صداهایی که در نامشان «Natural»، «Neural» یا «Online» دیده می‌شود معمولاً طبیعی‌ترند. انتخاب صدا به صداهای نصب‌شده در ویندوز و مرورگر شما بستگی دارد.

چکیده اصلی

In a recent paper published in Nature, Yuan et al. described an acid-responsive membranolytic peptide that temporally separates lysosomes from later plasma membrane rupture, thereby converting oncolysis into immunogenic cell death. This elegant design permits systemic administration, elicits antigen-specific immunity, and sensitizes tumors to programmed death ligand 1 blockade with remarkably limited toxicity.

نتیجه فارسی

این مقاله یک پپتید آنکولوتیک را توصیف می‌کند که با مسدودسازی PD-1 همکاری می‌کند. این پپتید لیزوزوم‌ها را از شکستن پلاسما جدا می‌کند تا مرگ سلولی ایمونوژنی ایجاد شود. این روش تزریق سیستمیک و سمیت کم دارد.

  • یک پپتید آنکولوتیک نوین توصیف شده است.
  • پپتید لیزوزوم‌ها را از شکستن پلاسما جدا می‌کند.
  • این روش منجر به مرگ سلولی ایمونوژنی می‌شود.
  • این روش تزریق سیستمیک و سمیت کم دارد.
  • همکاری با مسدودسازی PD-1 گزارش شده است.

ترجمه فارسی چکیده

در یک مقاله اخیر منتشرشده در Nature، Yuan و همکاران توصیف کردند که یک پپتید لیزولیتیک حساس به اسید وجود دارد که لیزوزوم‌ها را از رخدادهای بعدی شکستن پلاسما به صورت زمانی جدا می‌کند و thereby آنکولیز را به مرگ سلولی ایمونوژنی تبدیل می‌کند. این طراحی ظریف امکان تزریق سیستمیک را فراهم می‌کند، ایمنی خاص آنتی‌ژنی را القا می‌کند و تومورها را به مسدودسازی لیگاند ۱ مرگ برنامه‌ریزی‌شده حساس می‌سازد با سمیت بسیار محدود.

روش پژوهش

مقاله به طور مستقیم توصیفی است و روش‌های تجربی جزئی در متن ارائه نشده است.

محدودیت‌ها

متن به طور کامل ارائه نشده است و جزئیات مربوط به روش‌شناسی و نتایج تجربی در دسترس نیست.

استخراج ساختاریافته از متن منبع

نمای PICO و پیامدها

جمعیت
تومورها (توضیح داده نشده)
مداخله/مواجهه
پپتید آنکولوتیک حساس به اسید (توضیح داده نشده)
مقایسه
توضیح داده نشده
حجم نمونه
توضیح داده نشده

متن کامل اصلی

نسخه دارای مجوز در منبع علمی در دسترس است.

لینک مستقیم از metadata منبع گرفته شده و در تب جدید باز می‌شود.

باز کردن متن کامل

کلیدواژه‌ها

HMGB1ImmunotherapyPD-L1autophagy
در همین زیرشاخه

مقاله‌های مرتبط

PubMed2027

A Straightforward and Reliable Mouse Model of Colorectal Cancer by Orthotopic Transplantation.

Colorectal cancer (CRC) is a major malignancy with significant global implications for human health. The development of a reliable and pathologically relevant orthotopic CRC model is essential for advancing our understanding of its molecular mechanisms and for developing more effective therapeutic interventions. However, the construction of such models is fraught with challenges primarily because of the technical complexities involved …

PubMed2027

A Tissue Explant Model for Colon Cancer.

Colorectal cancer (CRC) remains a leading cause of cancer-related morbidity and mortality worldwide. Recent advancements in cancer research emphasize the importance of personalized medicine, necessitating robust preclinical models that closely mimic the tumor microenvironment. Colorectal cancer organoids have emerged as a pivotal tool in this domain, providing a platform that preserves the cellular heterogeneity and allows high-through…

PubMed2027

AA-Induced Lipid Peroxidation at the Center of Tumor Cell Apoptosis and Ferroptosis.

Polyunsaturated fatty acids (PUFAs), especially gamma-linolenic acid (GLA), arachidonic acid (AA), eicosapentaenoic acid (EPA), and docosahexaenoic acid (DHA), can block HMG-CoA reductase activity and thus decrease cholesterol synthesis/formation. Cholesterol has antioxidant actions and thus reduces the formation of ROS (reactive oxygen species). In contrast, PUFAs augment the generation of ROS. PUFAs undergo peroxidation to form lipid…

PubMed2027

Advanced Image Generation for Cancer and Stem Cell Biology Using Diffusion Models.

Deep learning has transformed medical image analysis, but progress in cancer and stem cell applications is often constrained by limited access to large, diverse, well-annotated imaging datasets. This bottleneck is especially acute for studies of tumor heterogeneity and cancer stem cell (CSC) biology, where rare phenotypes and dynamic cell-state transitions-frequently linked to stemness-associated transcriptional programs (e.g., OCT4, S…