Rationally Designed 2-in-1 Nanoparticles Can Overcome Adaptive Resistance in Cancer
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
The development of resistance is the major cause of mortality in cancer. Combination chemotherapy is used clinically to reduce the probability of evolution of resistance. A similar trend toward the use of combinations of drugs is also emerging in the application of cancer nanomedicine. However, should a combination of two drugs be delivered from a single nanoparticle or should they be delivered in two different nanoparticles for maximal efficacy? We explored these questions in the context of adaptive resistance, which emerges as a phenotypic response of cancer cells to chemotherapy. We studied the phenotypic dynamics of breast cancer cells under cytotoxic chemotherapeutic stress and analyzed the data using a phenomenological mathematical model. We demonstrate that cancer cells can develop adaptive resistance by entering into a predetermined transitional trajectory that leads to phenocopies of inherently chemoresistant cancer cells. Disrupting this deterministic program requires a unique combination of inhibitors and cytotoxic agents. Using two such combinations, we demonstrate that a 2-in-1 nanomedicine can induce greater antitumor efficacy by ensuring that the origins of adaptive resistance are terminated by deterministic spatially constrained delivery of both drugs to the target cells. In contrast, a combination of free-form drugs or two nanoparticles, each carrying a single payload, is less effective, arising from a stochastic distribution to cells. These findings suggest that 2-in-1 nanomedicines could emerge as an important strategy for targeting adaptive resistance, resulting in increased antitumor efficacy.
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 | 0,000 | 0,001 |
| 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 | 0,000 |
| 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