Complex Dynamics of a Simple Tumor-Immune Model with Tumor Malignancy
Notice bibliographique
Résumé
One main feature of a malignant tumor is its uncontrolled growth. In this paper, we propose a simple tumor-immune model to study the progressive characteristics of malignant and benign tumors, where the anti-tumor immunity can be described by the Michaelis–Menten function or the mass action law. The model includes only two state variables for the tumor cells and the effector cells representing the immune system. Three quantities with clear biological meanings are given to determine the asymptotic states of the tumor progression. Moreover, differences in asymptotic states between the two anti-tumor immunity descriptions are drawn. Differently from existing simple models, on the one hand, the model exhibits rich dynamical behaviors including super-critical and sub-critical Bogdanov–Takens bifurcations (consisting of Hopf bifurcation, saddle–node bifurcation, and homoclinic bifurcation) and saddle–node bifurcation of nonconstant periodic solutions (leading to the appearance of two periodic orbits) as the parameters vary; on the other hand, the malignant feature, dormancy, and immune escape of the tumor are revealed with numerical simulations. Furthermore, from the perspective of qualitative analysis and numerical simulations, how the obtained results can be applied to the treatment and control of tumors is illustrated.
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 ».