Modeling 5-FU-Induced Chemotherapy Selection of a Drug-Resistant Cancer Stem Cell Subpopulation
Notice bibliographique
Résumé
(1) Background: Cancer stem cells (CSCs) are a subpopulation of cells in a tumor that can self-regenerate and produce different types of cells with the ability to initiate tumor growth and dissemination. Chemotherapy resistance, caused by numerous mechanisms by which tumor tissue manages to overcome the effects of drugs, remains the main problem in cancer treatment. The identification of markers on the cell surface specific to CSCs is important for understanding this phenomenon. (2) Methods: The expression of markers CD24, CD44, ALDH1, and ABCG2 was analyzed on the surface of CSCs in two cancer cell lines, MDA-MB-231 and HCT-116, after treatment with 5-fluorouracil (5-FU) using flow cytometry analysis. A machine learning model (ML)-genetic algorithm (GA) was used for the in silico simulation of drug resistance. (3) Results: As evaluated through the use of flow cytometry, the percentage of CD24-CD44+ MDA-MB-231 and CD44, ALDH1 and ABCG2 HCT-116 in a group treated with 5-FU was significantly increased compared to untreated cells. The CSC population was enriched after treatment with chemotherapy, suggesting that these cells have enhanced drug resistance mechanisms. (4) Conclusions: Each individual GA prediction model achieved high accuracy in estimating the expression rate of CSC markers on cancer cells treated with 5-FU. Artificial intelligence can be used as a powerful tool for predicting drug resistance.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 | 0,000 |
| 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 ».