Deconstructing the Contributions of Heterogeneity to Combination Treatment of Hormone-Sensitive Breast Cancer
Notice bibliographique
Résumé
Abstract Combination therapies are fundamental to cancer treatments, including in breast cancer, which is the most common invasive malignancy in women. Breast cancer treatment is determined based on molecular subtypes. Since 2016, combination palbociclib and fulvestrant has been used to treat hormone receptor-positive breast cancer. However, the impact of heterogeneity of the tumor landscape and tumor composition dynamics on scheduling decisions remains poorly understood. To elucidate the contributions of variability at multiple scales to treatment outcomes in hormone receptor-positive breast cancer, we developed a simple mathematical model of two unique estrogen receptor-positive (ER $$+$$ <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML"> <mml:mo>+</mml:mo> </mml:math> ) breast cancer cell types and their responses to combination treatment with palbociclib and fulvestrant. We used this model to understand how the initial fraction of either cell type may impact the fraction remaining after treatment and examined how heterogeneity in pharmacokinetics and pharmacodynamics results in a large distribution of outcomes. Our results suggest that the pharmacokinetics and pharmacodynamics of fulvestrant were the major drivers of final tumor size and composition. We then leveraged our model to guide therapeutic scheduling of combination palbociclib and fulvestrant, demonstrating the use of mathematical modeling to improve our understanding of cancer biology and treatments.
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 ».