Characterization of brain cancer stem cells: a mathematical approach
Notice bibliographique
Résumé
OBJECTIVE: In recent years, support has increased for the notion that a subpopulation of brain tumour cells in possession of properties typically characteristic of stem cells is responsible for initiating and maintaining the tumour. Unravelling details of the brain tumour stem cell (BTSC) hierarchy, as well as interactions of these cells with various therapies, will be essential in the design of optimal treatment strategies. MATERIALS AND METHODS: Motivated by this, we have developed a mathematical model of the BTSC hypothesis that may aid in characterization of brain tumours, as well as in prediction of effective therapeutic strategies, which can be further validated in experimental and clinical studies. At the level of a small number of cells, the model developed herein is stochastic. For larger populations of cancer cells, the model is handled from a deterministic approach. RESULTS AND CONCLUSIONS: In the stochastic regime, importance of a relationship between the likelihoods of two distinct types of symmetric BTSC divisions in determining BTSC survival rates becomes apparent, consequently emphasizing the need for a set of biomarkers that are able to better characterize the BTSC hierarchy. At the large scale, we predict the importance of the aforementioned symmetric division rates in dictating brain tumour composition. Furthermore, we demonstrate possible therapeutic benefits of considering combination treatments of radiotherapy and putative BTSC inhibitors, such as bone morphogenetic proteins, while reinforcing the importance of developing novel treatment strategies that specifically target the BTSC subpopulation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».