Mathematical modeling predicts pathways to successful implementation of combination TRAIL-producing oncolytic virus and PAC-1 to treat granulosa cell tumors of the ovary
Notice bibliographique
Résumé
experiments before they can be considered for clinical trials. Mathematical models assist in this preclinical phase by combining experimental data with human parameters to provide guidance about potential therapeutic regimens to bring forward into trials. However, granulosa cell tumors of the ovary lack a relevant mouse model, complexifying preclinical drug development for this rare tumor. To bridge this gap, we established a mathematical model as a framework to explore the potential of using a tumor necrosis factor-related apoptosis-inducing ligand (TRAIL)-producing oncolytic vaccinia virus in combination with the chemotherapeutic agent first procaspase activating compound (PAC-1). We have previously shown that TRAIL and PAC-1 act synergistically on granulosa tumor cells. In line with our previous results, our current model predicts that, although it is unable to stop the tumor from growing in its current form, combination oral PAC-1 with oncolytic virus (OV) provides the best result compared to monotherapies. Encouragingly, our results suggest that increases to the OV infection rate can lead to the success of this combination therapy within a year. The model developed here can continue to be improved as more data become available, allowing for regimen-tailoring via virtual clinical trials, ultimately shepherding effective regimens into trials.
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 ».