Dual-tracer receptor concentration imaging using tracers with different tissue delivery kinetics
Notice bibliographique
Résumé
Simultaneous dynamic fluorescent imaging of a suitable untargeted tracer in conjunction with any molecular targeted fluorescent agent has been shown to be a powerful approach for quantifying cancer-specific cell surface receptors in vivo in the presence of non-specific uptake and tracer delivery variability. The identification of a “suitable” untargeted tracer (i.e., one having equivalent plasma and tissue delivery pharmacokinetics to the targeted tracer) for every targeted tracer, however, may not always be feasible or could require extensive testing. This work presents a “deconvolution” approach capable of correcting for plasma and tissue-delivery pharmacokinetic differences between tracers by quantifying dynamic differences in targeted and untargeted tracer uptake in a receptor-free tissue (one devoid of targeted molecular species) and correcting uptake in all other tissues accordingly. This deconvolution correction approach is evaluated in theoretical models and explored in an in vivo mouse xenograft model of human glioma. In the animal experiments, epidermal growth factor receptor (EGFR: a receptor known to be overexpressed in the investigated glioma cell line) was targeted using a fluorescent tracer with very different plasma pharmacokinetics than a second untargeted fluorescent tracer. Without correcting for these differences, the dual-tracer approach yielded substantially higher estimations of EGFR concentration in all tissues than expected; however, deconvolution correction was able to produce estimates that matched ex vivo validation.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».