Determinants of combination GM-CSF immunotherapy and oncolytic virotherapy success identified through in silico treatment personalization
Notice bibliographique
Résumé
Oncolytic virotherapies, including the modified herpes simplex virus talimogene laherparepvec (T-VEC), have shown great promise as potent instigators of anti-tumour immune effects. The OPTiM trial, in particular, demonstrated the superior anti-cancer effects of T-VEC as compared to systemic immunotherapy treatment using exogenous administration of granulocyte-macrophage colony-stimulating factor (GM-CSF). Theoretically, a combined approach leveraging exogenous cytokine immunotherapy and oncolytic virotherapy would elicit an even greater immune response and improve patient outcomes. However, regimen scheduling of combination immunostimulation and T-VEC therapy has yet to be established. Here, we calibrate a computational biology model of sensitive and resistant tumour cells and immune interactions for implementation into an in silico clinical trial to test and individualize combination immuno- and virotherapy. By personalizing and optimizing combination oncolytic virotherapy and immunostimulatory therapy, we show improved simulated patient outcomes for individuals with late-stage melanoma. More crucially, through evaluation of individualized regimens, we identified determinants of combination GM-CSF and T-VEC therapy that can be translated into clinically-actionable dosing strategies without further personalization. Our results serve as a proof-of-concept for interdisciplinary approaches to determining combination therapy, and suggest promising avenues of investigation towards tailored combination immunotherapy/oncolytic virotherapy.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».