Mielóma multiplex: ki dolgozik rajta

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

• Minden célpont
• BCMA 134
• CD38 22
• GPRC5D 36
• CD19 31
• TP53 0
• STAT3 0
• CXCR4 4
• MYC 0
• BCL-2 2
• PI3K 1
• mTOR 0
• IL-6 0
• STING 0
• BRAF 2
• CD47 1
• HDAC 0
• AKT 0
• PD-1 1
• PD-L1 1
• CD20 3
• GLP-1 0
• JAK 0
• PTEN 0
• SGLT2 0
• AMPK 0
• B7-H3 0
• NRAS 1
• TIGIT 0
• CTLA-4 1
• ERK 0
• EZH2 0
• FTO 0
• IL-15 3
• JNK 0
• KRAS 1
• MAPK 0
• RAS 0
• CD22 2
• CD33 1
• CTNNB1 0
• EGFR 0
• FGFR 0
• LAG-3 0
• MDM2 0
• METTL3 0
• NRF2 0
• BRCA1 0
• BRD4 0
• BTK 1
• CD123 1
• CD30 0
• CDK4/6 0
• GPX4 0
• HER2 0
• HIF-1 0
• HSP90 0
• MEK 0
• MET 0
• MUC1 0
• NTRK 0

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

16+ intézményből 16, a friss publikációk és a nyitott vizsgálatok szerint rendezve. Ez nem minőségi rangsor.

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

Ebben a nézetben egy vizsgálat sem jelzi, hogy megosztaná a résztvevői adatokat.

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

• Single-Cell Analysis 23
• Organoids 3
• Mendelian Randomization Analysis 10
• CRISPR-Cas Systems 8
• Gene Expression Profiling 44
• Sequence Analysis, RNA 7
• Whole Genome Sequencing 4
• Exome Sequencing 3
• Proteomics 15
• Metabolomics 10
• Mass Spectrometry 7
• Flow Cytometry 48
• Immunohistochemistry 11
• Liquid Biopsy 2
• Circulating Tumor DNA 2
• Xenograft Model Antitumor Assays 78
• Positron-Emission Tomography 14
• Magnetic Resonance Imaging 26
• Machine Learning 17
• Deep Learning 6
• Cohort Studies 32
• Genome-Wide Association Study 7

• Machine-Learning-Guided Identification of CCT245737 as a Functional Pan-G-Quadruplex Ligand for the Treatment of Multiple Myeloma.

  J Phys Chem B, 2026. nov.

• Machine Learning and Molecular Modeling Reveal HDAC6 as a Key Target of Tanshinone IIA in Multiple Myeloma.

  J Phys Chem B, 2026. szept.

• Construction and validation of a differential diagnosis model for multiple myeloma and lymphoma based on XGBoost machine learning: an explaining analysis study of SHAP.

  BMC Med Inform Decis Mak, 2026. aug.

• Development and temporal validation of a machine learning-based model for predicting renal impairment in multiple myeloma: a single-center retrospective cohort study.

  BMC Med Inform Decis Mak, 2026. júl.

• Machine Learning for Prediction of High-Risk Infections in Patients With Cancer.

  Cancer Med, 2026. júl.

• Identification of Bone Marrow and Peripheral Blood Plasma Extracellular Vesicle Protein Biomarker Signatures for Multiple Myeloma Diagnosis and Staging.

  Int J Nanomedicine, 2026. jún.

• Machine Learning Model Predicts Monoclonal Gammopathy Using Routine Laboratory Values.

  JCO Clin Cancer Inform, 2026. máj.

• Machine learning triumphs in differentiating fungal and bacterial infections.

  BMC Infect Dis, 2026. ápr.

• FTO-CHRM3 axis regulates multiple myeloma progression: a machine learning-based identification.

  Ann Hematol, 2026. márc.

• Dynamic biomarker-based machine learning model predicts short-term treatment response in multiple myeloma.

  J Transl Med, 2026. márc.

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