Dynamics modeling and synergistic mechanisms of oncolytic virus-bortezomib combination therapy
Notice bibliographique
Résumé
For cancer treatment, the combination therapy of oncolytic virus (OV) and bortezomib, a proteasome inhibitor, is a highly worthy research problem. We develop a nonlinear mathematical model that captures the dynamics of uninfected and infected tumor cells, free oncolytic virus particles, bortezomib and natural killer (NK) cells. We consider bortezomib administered periodically and integrate the bortezomib administration functions into the model. We explore the strategies for oncolytic virotherapy, an impulsive dose, where one viral dose is administered at several successive time points. We derive the OV infection threshold, [Formula: see text], which determines whether the viral infection will persist ([Formula: see text] or be eliminated ([Formula: see text]). We theoretically demonstrate that periodic injections of bortezomib and limited pulse injections of OV can eliminate tumor cells. Numerical simulations show the uninfected tumor cell population is significantly reduced when [Formula: see text], and the overall therapeutic efficacy of virotherapy shows a substantial improvement compared to cases where [Formula: see text]. Through global sensitivity analysis, we evaluate the impact of both OV- and bortezomib-related parameters on treatment outcomes. The results indicate that OV-related parameters substantially influence virotherapy efficacy, whereas bortezomib-related parameters have minimal impact on overall treatment success but do significantly affect the equilibrium level of uninfected tumor cells. Our results reveal how OV-Bortezomib combination therapy works synergistically, guiding better cancer treatment design.
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 | 0,000 |
| 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 ».