Assessing micrometastases as a target for nanoparticles using 3D microscopy and machine learning
Notice bibliographique
Résumé
Metastasis of solid tumors is a key determinant of cancer patient survival. Targeting micrometastases using nanoparticles could offer a way to stop metastatic tumor growth before it causes excessive patient morbidity. However, nanoparticle delivery to micrometastases is difficult to investigate because micrometastases are small in size and lie deep within tissues. Here, we developed an imaging and image analysis workflow to analyze nanoparticle-cell interactions in metastatic tumors. This technique combines tissue clearing and 3D microscopy with machine learning-based image analysis to assess the physiology of micrometastases with single-cell resolution and quantify the delivery of nanoparticles within them. We show that nanoparticles access a higher proportion of cells in micrometastases (50% nanoparticle-positive cells) compared with primary tumors (17% nanoparticle-positive cells) because they reside close to blood vessels and require a small diffusion distance to reach all tumor cells. Furthermore, the high-throughput nature of our image analysis workflow allowed us to profile the physiology and nanoparticle delivery of 1,301 micrometastases. This enabled us to use machine learning-based modeling to predict nanoparticle delivery to individual micrometastases based on their physiology. Our imaging method allows researchers to measure nanoparticle delivery to micrometastases and highlights an opportunity to target micrometastases with nanoparticles. The development of models to predict nanoparticle delivery based on micrometastasis physiology could enable personalized treatments based on the specific physiology of a patient's micrometastases.
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 | 0,000 |
| 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 ».