Dual Magnetic Particle Imaging and Akaluc Bioluminescence Imaging for Tracking Cancer Cell Metastasis
Notice bibliographique
Résumé
Magnetic particle imaging (MPI) provides hotspot tracking and direct quantification of superparamagnetic iron oxide nanoparticle (SPIO)-labelled cells. Bioluminescence imaging (BLI) with the luciferase reporter gene Akaluc can provide complementary information on cell viability. Thus, we explored combining these technologies to provide a more holistic view of cancer cell fate in mice. Akaluc-expressing 4T1Br5 cells were labelled with the SPIO Synomag-D and injected into the mammary fat pads (MFP) of four nude mice. BLI was performed on days 0, 6 and 13, and MPI was performed on days 1, 8 and 14. Ex vivo histology and fluorescence microscopy of MFP and a potential metastatic site was conducted. The BLI signal in the MFP increased significantly from day 0 to day 13 (p < 0.05), mirroring tumor growth. The MPI signal significantly decreased from day 1 to day 14 (p < 0.05) due to SPIO dilution in proliferating cells. Both modalities detected secondary metastases; however, they were visualized in different anatomical regions. Akaluc BLI complemented MPI cell tracking, allowing for longitudinal measures of cell viability and sensitive detection of distant metastases at different locations. We predict this multimodal imaging approach will help to evaluate novel therapeutics and give a better understanding of metastatic mechanisms.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».