Semiquantitation of Mouse Dendritic Cell Migration In Vivo Using Cellular MRI
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Despite recent therapeutic advances, including the introduction of novel cytostatic drugs and therapeutic antibodies, many cancer patients will experience recurrent or metastatic disease. Current treatment options, particularly for those patients with metastatic breast, prostate, or skin cancers, are complex and have limited curative potential. Recent clinical trials, however, have shown that cell-based therapeutic vaccines may be used to generate broad-based, antitumor immune responses. Dendritic cells (DC) have proved to be the most efficacious cellular component for therapeutic vaccines, serving as both the adjuvant and antigen delivery vehicle. At present it is not possible to noninvasively determine the fate of DC-based vaccines after their administration to human subjects. In this study, we demonstrate that in vitro-generated mouse DC can be readily labeled with superparamagnetic iron oxide nanoparticles, Feridex, without altering cell morphology, or their phenotypic and functional maturation. Feridex-labeling enables the detection of DC in vivo after their migration to draining lymph nodes using a 1.5 T clinical magnetic resonance scanner. In addition, we report a semiquantitative approach for analysis of magnetic resonance images and show that the Feridex-induced signal void volume, and fractional signal loss, correlates with the delivery and migration of small numbers of in vitro-generated DC. These findings, together with ongoing preclinical studies, are key to gaining information critical for improving the efficacy of therapeutic vaccines for the treatment cancer, and potentially, chronic infectious diseases.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle