Effects of G2 checkpoint dynamics on the low-dose hyper-radiosensitivity
Notice bibliographique
Résumé
Abstract We develop and analyze a system of differential equations to investigate the effects of G2 checkpoint dynamics on the low-dose hyper-radiosensitivity. In experimental studies, it has been found that certain cell lines are more sensitive to low-dose radiation than would be expected from the classical Linear Quadratic model (LQ model). In fact, it is frequently observed that cells incur more damage at a low dose (say 0.3 Gy) than at higher dose (say 1 Gy). This effect has been termed hyper-radiosensitivity (HRS). The HRS is followed by a period of relative radioresistance (per unit dose) of cell kill over the dose range of ~ 0.5 - 1 Gy. This latter phenomenon is termed increased radioresistance (IRR). These effects depend on the type of cells and on their phase in the cell cycle. Here we focus on the HRS phenomenon by fitting a model for the cell cycle that includes G2-checkpoint dynamics and radiation treatment to surviving fraction data for different cell lines including glioma cells, prostate cancer cells, as well as to cell populations that are enriched in certain phases of the cell cycle. The HRS effect is measured in the literature through , the ratio of slope α s , of the surviving fraction curve at zero dose to slope α of the corresponding LQ model. We derive an explicit formula for this ratio and we show that it corresponds very closely to experimental observations. Finally, we can identify the dependence of this ratio on the surviving fraction at 2 Gy. It was speculated in the literature that such a relation exists. Our theoretical analysis will help to more systematically identify the HRS in cell lines and opens doors to analyze its use in cancer treatment. PACS and mathematical subject classification numbers as needed.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».