Targeting stem cells with oncolytic viruses: a mathematical modelling approach
Notice bibliographique
Résumé
Intratumoural epigenetic heterogeneity, which affects the outcome of many cancer treatments, results from stem cell-differentiated cell hierarchy. Cancer stem cells, also known as tumour-initiating cells, are a pluripotent subpopulation of tumour cells capable of creating a tumour clone through self-renewal and differentiation. Oncolytic viral therapy is a category of cancer therapeutics with high specificity in targeting cancer cells while leaving normal cells unharmed. More recently, oncolytic viruses have been developed that target tumour initiating cells with some promising results. The question is what values for virus infectivity and stem cell specificity result in the best clinical outcome. To address this question, we model interactions between uninfected and infected cancer cells, within a stem cell-differentiated cell hierarchy, during oncolytic viral therapy. We calculate the basic reproduction number and use it to constrain the infectivity rates of initiating and differentiated cancer cells. Long-term tumour shrinkage is observable when this constraint is met; otherwise, treatment fails. Our results suggest that stem cell specificity of an oncolytic virus depends both on the average infectivity and mitotic rates of infected cells. There is a positive correlation between the average infectivity rate and stem cell specificity for nonmitotic infected cells: when average infectivity is high, an oncolytic virus with higher stem cell specificity leads to smaller tumours. In contrast, when average infectivity is low, the minimum tumour size is obtained when an oncolytic virus with higher potency targeting differentiated cells is used. For the perfect stem cell targeting regimen, we derive the condition that leads to the minimum tumour size.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 | 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 ».