Multi-objective optimization of tumor response to drug release from vasculature-bound nanoparticles
Notice bibliographique
Résumé
The pharmacokinetics of nanoparticle-borne drugs targeting tumors depends critically on nanoparticle design. Empirical approaches to evaluate such designs in order to maximize treatment efficacy are time- and cost-intensive. We have recently proposed the use of computational modeling of nanoparticle-mediated drug delivery targeting tumor vasculature coupled with numerical optimization to pursue optimal nanoparticle targeting and tumor uptake. Here, we build upon these studies to evaluate the effect of tumor size on optimal nanoparticle design by considering a cohort of heterogeneously-sized tumor lesions, as would be clinically expected. The results indicate that smaller nanoparticles yield higher tumor targeting and lesion regression for larger-sized tumors. We then augment the nanoparticle design optimization problem by considering drug diffusivity, which yields a two-fold tumor size decrease compared to optimizing nanoparticles without this consideration. We quantify the tradeoff between tumor targeting and size decrease using bi-objective optimization, and generate five Pareto-optimal nanoparticle designs. The results provide a spectrum of treatment outcomes - considering tumor targeting vs. antitumor effect - with the goal to enable therapy customization based on clinical need. This approach could be extended to other nanoparticle-based cancer therapies, and support the development of personalized nanomedicine in the longer term.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».