Physiologically based radiopharmacokinetic (PBRPK) modeling to simulate and analyze radiopharmaceutical therapies: studies of non-linearities, multi-bolus injections, and albumin binding
Notice bibliographique
Résumé
BACKGROUND: We aimed to develop a publicly shared computational physiologically based pharmacokinetic (PBPK) model to reliably simulate and analyze radiopharmaceutical therapies (RPTs), including probing of hot-cold ligand competitions as well as alternative injection scenarios and drug designs, towards optimal therapies. RESULTS: To handle the complexity of PBPK models (over 150 differential equations), a scalable modeling notation called the "reaction graph" is introduced, enabling easy inclusion of various interactions. We refer to this as physiologically based radiopharmacokinetic (PBRPK) modeling, fine-tuned specifically for radiopharmaceuticals. As three important applications, we used our PBRPK model to (1) study the effect of competition between hot and cold species on delivered doses to tumors and organs at risk. In addition, (2) we evaluated an alternative paradigm of utilizing multi-bolus injections in RPTs instead of prevalent single injections. Finally, (3) we used PBRPK modeling to study the impact of varying albumin-binding affinities by ligands, and the implications for RPTs. We found that competition between labeled and unlabeled ligands can lead to non-linear relations between injected activity and the delivered dose to a particular organ, in the sense that doubling the injected activity does not necessarily result in a doubled dose delivered to a particular organ (a false intuition from external beam radiotherapy). In addition, we observed that fractionating injections can lead to a higher payload of dose delivery to organs, though not a differential dose delivery to the tumor. By contrast, we found out that increased albumin-binding affinities of the injected ligands can lead to such a differential effect in delivering more doses to tumors, and this can be attributed to several factors that PBRPK modeling allows us to probe. CONCLUSIONS: Advanced computational PBRPK modeling enables simulation and analysis of a variety of intervention and drug design scenarios, towards more optimal delivery of RPTs.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».