Antibody-targeting of ultra-small nanoparticles enhances imaging sensitivity and enables longitudinal tracking of multiple myeloma
Notice bibliographique
Résumé
Monitoring malignant progression and disease recurrence post-therapy are central challenges to improving the outcomes of patients with multiple myeloma (MM). Whereas current detection methods that rely upon bone marrow examination allow for precise monitoring of minimal residual disease and can help to elucidate clonal evolution, they do not take into account the spatial heterogeneity of the tumor microenvironment. As such, they are uninformative as to the localization of malignant plasma cells and may lead to false negative results. With respect to the latter challenge, clinically-available imaging agents are neither sufficiently sensitive nor specific enough to detect minute plasma cell populations. Here, we sought to explore methods by which to improve detection of MM cells within their natural bone marrow environment, using whole-animal magnetic resonance imaging to longitudinally monitor early-stage disease as well as to enhance tumor detection after systemic therapy. We conducted a proof-of-concept study to demonstrate that ultra-small (<5 nm) gadolinium-containing nanoparticles bound to full-length antibodies against the B-cell maturation antigen (BCMA) exhibit rapid tumor uptake followed by renal clearance, improving the signal-to-noise ratio for MM detection beyond levels that are currently afforded by other FDA-approved clinical imaging modalities. We anticipate that when combined with bone marrow or blood biopsy, such imaging constructs could help to augment the effective management of patients with MM.
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 ».