Role of hypoxia-activated prodrugs in combination with radiation therapy: An <i>in silico</i> approach
Notice bibliographique
Résumé
Tumour hypoxia has been associated with increased resistance to various cancer treatments, particularly radiation therapy. Conversely, tumour hypoxia is a validated and ideal target for guided cancer drug delivery. For this reason, hypoxia-activated prodrugs (HAPs) have been developed, which remain inactive in the body until in the presence of tissue hypoxia, allowing for an activation tendency in hypoxic regions. We present here an experimentally motivated mathematical model predicting the effectiveness of HAPs in a variety of clinical settings. We first examined HAP effectiveness as a function of the amount of tumour hypoxia and showed that the drugs have a larger impact on tumours with high levels of hypoxia. We then combined HAP treatment with radiation to examine the effects of combination therapies. Our results showed radiation-HAP combination therapies to be more effective against highly hypoxic tumours. The analysis of combination therapies was extended to consider schedule sequencing of the combination treatments. These results suggested that administering HAPs before radiation was most effective in reducing total cell number. Finally, a sensitivity analysis of the drug-related parameters was done to examine the effect of drug diffusivity and enzyme abundance on the overall effectiveness of the drug. Altogether, the results highlight the importance of the knowledge of tumour hypoxia levels before administration of HAPs in order to ensure positive results.
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 | 0,000 |
| 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 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 ».