Modelling microtube driven invasion of glioma
Notice bibliographique
Résumé
Malignant gliomas are notoriously invasive, a major impediment against their successful treatment. This invasive growth has motivated the use of predictive partial differential equation models, formulated at varying levels of detail, and including (i) "proliferation-infiltration" models, (ii) "go-or-grow" models, and (iii) anisotropic diffusion models. Often, these models use macroscopic observations of a diffuse tumour interface to motivate a phenomenological description of invasion, rather than performing a detailed and mechanistic modelling of glioma cell invasion processes. Here we close this gap. Based on experiments that support an important role played by long cellular protrusions, termed tumour microtubes, we formulate a new model for microtube-driven glioma invasion. In particular, we model a population of tumour cells that extend tissue-infiltrating microtubes. Mitosis leads to new nuclei that migrate along the microtubes and settle elsewhere. A combination of steady state analysis and numerical simulation is employed to show that the model can predict an expanding tumour, with travelling wave solutions led by microtube dynamics. A sequence of scaling arguments allows us reduce the detailed model into simpler formulations, including models falling into each of the general classes (i), (ii), and (iii) above. This analysis allows us to clearly identify the assumptions under which these various models can be a posteriori justified in the context of microtube-driven glioma invasion. Numerical simulations are used to compare the various model classes and we discuss their advantages and disadvantages.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».