Optimising Hydrogel Release Profiles for Viro-Immunotherapy Using Oncolytic Adenovirus Expressing IL-12 and GM-CSF with Immature Dendritic Cells
Notice bibliographique
Résumé
Sustained-release delivery systems, such as hydrogels, significantly improve cancer therapies by extending the treatment efficacy and avoiding excess wash-out. Combined virotherapy and immunotherapy (viro-immunotherapy) is naturally improved by these sustained-release systems, as it relies on the continual stimulation of the antitumour immune response. In this article, we consider a previously developed viro-immunotherapy treatment where oncolytic viruses that are genetically engineered to infect and lyse cancer cells are loaded onto hydrogels with immature dendritic cells (DCs). The time-dependent release of virus and immune cells results in a prolonged cancer cell killing from both the virus and activated immune cells. Although effective, a major challenge is optimising the release profile of the virus and immature DCs from the gel so as to obtain a minimum tumour size. Using a system of ordinary differential equations calibrated to experimental results, we undertake a novel numerical investigation of different gel-release profiles to determine the optimal release profile for this viro-immunotherapy. Using a data-calibrated mathematical model, we show that if the virus is released rapidly within the first few days and the DCs are released for two weeks, the tumour burden can be significantly decreased. We then find the true optimal gel-release kinetics using a genetic algorithm and suggest that complex profiles present unnecessary risk and that a simple linear-release model is optimal. In this work, insight is provided into a fundamental problem in the growing field of sustained-delivery systems using mathematical modelling and analysis.
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 | 0,001 | 0,001 |
| 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 ».