Spatial computational modelling illuminates the role of the tumour microenvironment for treating glioblastoma with immunotherapies
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Glioblastoma is the most common and deadliest brain tumour in adults, with a median survival of 15 months under the current standard of care. Immunotherapies like immune checkpoint inhibitors and oncolytic viruses have been extensively studied to improve this endpoint. However, most thus far have failed. To improve the efficacy of immunotherapies to treat glioblastoma, new single-cell imaging modalities like imaging mass cytometry can be leveraged and integrated with computational models. This enables a better understanding of the tumour microenvironment and its role in treatment success or failure in this hard-to-treat tumour. Here, we implemented an agent-based model that allows for spatial predictions of combination chemotherapy, oncolytic virus, and immune checkpoint inhibitors against glioblastoma. We initialised our model with patient imaging mass cytometry data to predict patient-specific responses and found that oncolytic viruses drive combination treatment responses determined by intratumoral cell density. We found that tumours with higher tumour cell density responded better to treatment. When fixing the number of cancer cells, treatment efficacy was shown to be a function of CD4 + T cell and, to a lesser extent, of macrophage counts. Critically, our simulations show that care must be put into the integration of spatial data and agent-based models to effectively capture intratumoral dynamics. Together, this study emphasizes the use of predictive spatial modelling to better understand cancer immunotherapy treatment dynamics, while highlighting key factors to consider during model design and implementation.
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.
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 découle