Hasnyálmirigyrák: ki dolgozik rajta

Intézményenként egy kártya. Szűrhetsz célpontra, országra, vagy csak az EU-13 (Horizon Europe felzárkózó) országok intézményeire.

• Minden célpont
• KRAS 67
• PD-1 39
• TP53 4
• mTOR 0
• PI3K 0
• STAT3 0
• PD-L1 20
• CLDN18 21
• EGFR 11
• RAS 17
• BRCA2 8
• AKT 0
• BRCA1 10
• ERK 0
• MAPK 1
• PARP 9
• STING 0
• HER2 13
• MYC 0
• YAP 0
• MEK 5
• PALB2 9
• CTLA-4 9
• VEGF 3
• AMPK 0
• ATM 3
• CD40 2
• CXCR4 0
• HIF-1 0
• JNK 0
• NRF2 0
• CDKN2A 3
• GLP-1 2
• NRAS 5
• PRMT5 6
• IL-6 0
• PPAR 0
• PTEN 0
• BCL-2 0
• FAK 1
• IL-15 1
• JAK 0
• BRAF 2
• MET 2
• TROP2 3
• B7-H3 2
• CDK4/6 0
• FGFR 1
• HSP90 0
• CTNNB1 0
• HDAC 0
• KEAP1 1
• CD47 0
• METTL3 0
• MUC1 3
• AXL 1
• CCR5 0
• HER3 1
• NTRK 1
• RET 0

Az EU-13 szűrő, nem rangsor: csak szűkíti a listát.

5+ intézményből 5, a friss publikációk és a nyitott vizsgálatok szerint rendezve. Ez nem minőségi rangsor.

Vizsgálatok, amelyek regiszteradata szerint az egyéni résztvevői adatokat (IPD) megosztják.

• A Study of BMS-986484 Alone and Combination Therapy in Participants With Advanced Solid Tumors

  NCT06544655· Bristol-Myers Squibb· Forrás

Publikációk erről a betegségről egy MeSH-módszerkifejezés szerint, például szekvenálási vagy képalkotó módszerre.

• Single-Cell Analysis 50
• Organoids 46
• Mendelian Randomization Analysis 28
• CRISPR-Cas Systems 16
• Gene Expression Profiling 123
• Sequence Analysis, RNA 11
• Whole Genome Sequencing 3
• Exome Sequencing 10
• Proteomics 55
• Metabolomics 34
• Mass Spectrometry 10
• Flow Cytometry 32
• Immunohistochemistry 70
• Liquid Biopsy 30
• Circulating Tumor DNA 29
• Xenograft Model Antitumor Assays 300
• Positron-Emission Tomography 30
• Magnetic Resonance Imaging 117
• Machine Learning 58
• Deep Learning 55
• Cohort Studies 108
• Genome-Wide Association Study 24

• Rapid, Label-Free Cancer Detection in Fresh Pancreatic Tissue Using Deep Learning and Multispectral Mueller Matrix Polarimetry.

  IEEE Trans Biomed Eng, 2026. nov.

• Mapping the global landscape of artificial intelligence in pancreatic cancer research: A bibliometric and visualization analysis.

  Medicine (Baltimore), 2026. szept.

• Deep learning-based CT model for non-invasive prediction of tertiary lymphoid structures in pancreatic cancer: a multicenter study with prospective validation in an immunochemotherapy cohort.

  J Immunother Cancer, 2026. szept.

• Decoding spatiotemporal fibrotic and cellular immunosuppression of therapeutic T cells in live pancreatic ductal adenocarcinoma.

  Mol Syst Biol, 2026. szept.

• Deep learning CT signature for predicting early liver metastases in pancreatic ductal adenocarcinoma.

  Nat Commun, 2026. szept.

• Artificial Intelligence-Estimated Intrapancreatic Fat and Its Relationship to Familial and Germline Pancreatic Cancer Risk.

  United European Gastroenterol J, 2026. szept.

• Cross-fraction prior learning for scalable organ-at-risk segmentation in abdominal MR-guided radiotherapy.

  Med Phys, 2026. szept.

• Multi-modal direct LINAC parameter prediction for pancreatic VMAT: An optimization-free approach.

  Med Phys, 2026. szept.

• Deep learning reconstruction in MRCP: Impact on IPMN characterization and common bile duct stone detection.

  Eur J Radiol, 2026. júl.

• Developing a Histology-Based Artificial Intelligence Biomarker to Predict Adjuvant Chemotherapy Benefit in Pancreatic Cancer.

  J Clin Oncol, 2026. júl.

Megmutatjuk, a betegség mely célpontjait említi az absztrakt, és onnan a rajtuk dolgozókhoz jutsz.