Abstract
Bakgrunn
Terapeutisk vaksinasjon mot disseminert prostatakreft (PCA) er delvis effektiv i noen PCA pasienter. Vi antok at effekten av behandlingen vil bli styrket av individualiserte vaksinasjonsregimer tilpasset av enkle matematiske modeller.
metodikk /hovedfunnene
Vi har utviklet en generell matematisk modell som omfatter de grunnleggende interaksjoner av en vaksine, immunsystem og PCA-celler, og validert det av resultatene av en klinisk utprøving en allogeneisk PCa hel-celle-vaksine. For modellvalidering i fravær av annen relevant markør, brukte vi klinisk målt endringer i prostata-spesifikt antigen (PSA) nivåer som korrelerer av tumorbyrde. Opptil 26 PSA nivåer målt per pasient ble delt inn i hver enkelt pasients treningssett og hans valideringssettet. Treningssettet, som brukes til modell tilpassing, inneholdt pasientens innledende sekvens av PSA nivåer; valideringssettet inneholdt hans senere PSA datapunkter. Tilpassede modeller ble simulert for å forutsi endringer i tumorbelastning og PSA nivåer og spådommer ble sammenlignet med valideringssettet. Modellen nøyaktig spådde PSA nivåer over hele målte perioden i 12 av de 15 vaksinasjons-responsive pasienter (koeffisienten mellom predikerte og observerte PSA-verdier var
R
2 = 0,972). Modellen kan ikke gjøre rede for inkonsekvent endringer i PSA-nivå i tre av de 15 responsive pasienter ved slutten av behandlingen. Hver validert personlig modellen ble simulert under mange hypotetiske immunterapi protokoller for å foreslå alternative vaksinasjonsregimer. Personlig regimer spådd å øke effekten av behandlingen avvek blant pasientene.
Konklusjon /Betydning
Ved hjelp av noen innledende målinger, vi bygget robuste pasientspesifikke modeller av PCa immunterapi, som ble retrospektivt validerte av resultater fra kliniske studier. Våre resultater understreker den potensielle verdien og muligheten for individuelle modell foreslo immunterapi protokoller
Citation. Kronik N, Kogan Y, Elishmereni M, Halevi-Tobias K, Vuk-Pavlović S, Agur Z (2010) forutsi utfall av prostatakreft Immunterapi ved personlige matematiske modeller. PLoS ONE 5 (12): e15482. doi: 10,1371 /journal.pone.0015482
Redaktør: Sven G. Meuth, Universitetet i Münster, Tyskland
mottatt: 09.08.2010; Godkjent: 23 september 2010; Publisert: 08.12.2010
Copyright: © 2010 Kronik et al. Dette er en åpen-tilgang artikkelen distribueres under betingelsene i Creative Commons Attribution License, som tillater ubegrenset bruk, distribusjon og reproduksjon i ethvert medium, forutsatt den opprinnelige forfatteren og kilden krediteres
Finansiering:. NK, YK, ME, KHT, og ZA takke Chai Foundation for å støtte dette arbeidet. S.V.P. takknemlige for støtte av Mrs. Adelyn L. Luther, Mayo Clinic Cancer Center, og NIH Grant P50CA91956. Finansiører hadde ingen rolle i studiedesign, datainnsamling og analyse, beslutning om å publisere, eller utarbeidelse av manuskriptet
Konkurrerende interesser:.. Forfatterne har erklært at ingen konkurrerende interesser eksisterer
Innledning
Prostatakreft (PCA) er den nest vanligste kreftformen hos menn [1]. Primær behandling omfatter prostatektomi og /eller strålebehandling. Hvis sirkulerende nivåer av prostata-spesifikt antigen (PSA) økning etter primærbehandling, indikerer de aktivering av residual kreft som deretter terapeutisk styres av androgen deprivasjon. Imidlertid disseminerte kreftceller blir ofte androgen-uavhengig, noe som fører til en økning i sirkulerende PSA-nivå og manifestere metastaser [1]. Fra observasjon av sistnevnte økning i PSA-nivå til utseendet symptomatisk metastaser, ikke sykdommen ikke utøve symptomer som påvirker fysisk velvære. Av denne grunn er ingen behandling gis, for at ikke livskvaliteten bli negativt påvirket av kjemoterapi som i dag brukes i terminal PCa [2]. Dermed har periode av asymptomatisk PSA-nivå økning vært ansett egnet for studier testing av effekten av immunterapi som vanligvis er blottet for store bivirkninger.
PCa immunterapi har begynt å gi oppmuntrende kliniske effekter, skjønt ikke en definitiv kur [3] – [4]. For eksempel har partielle responser blitt indusert ved autologt overføring av
ex vivo aktiverte
antigenpresenterende celler [5] – [6], cytokin-sekresjon tumorvaksiner [7], sammensetninger inneholdende rekombinante proteiner eller nukleinsyrer og annen cellebaserte strategier rettet kreftantigener, slik som PSA eller prostata-spesifikt membran antigen [8]. Nå nylig, en behandling ansette
ex vivo
behandlet autolog antigenpresenterende celler kombinert med prostata syre fosfatase [9] har mottatt regulatorisk godkjenning for behandling av metastatisk PCa. I en nylig fase 2 klinisk studie, en allogeneisk PCa hel-celle-vaksine stimulert utvidelsen av tumor-spesifikke immunceller i ikke-metastatiske androgen-uavhengig PCA pasienter [10]. Behandlingen var trygg, og frekvensen av PSA økning ( «PSA hastighet») ble redusert i 11 av de 26 undersøkte pasienter [10]. Likevel pasientene viste en signifikant forskjell i respons på behandling, som kan være på grunn av forskjeller i individuelle immun historie og tumorbiologi [11]. Undertrykt immunitet i PCA pasienter kan også bidra til den relative mangelen på effekt av PCa immunterapi [12] – [16]. Gjenopprette og styrke immunforsvar bør være et hovedmål for immunterapi [17], men kompleksiteten i immunsystemet trosser forsøk på å oppnå det. Av den grunn har immunitet er ofte studert av matematisk modellering.
Matematisk modellering har vært et verdifullt verktøy i å beskrive, kvantifisere og forutsi oppførselen til komplekse systemer. Spesielt har matematiske modeller spilt en viktig rolle i å gi ikke-intuitive innsikt i tumorvekst og progresjon [18] – [21], tumor-assosiert angiogenese [22] – [25], og utviklingen av medikamentresistens [26] – [27]. Matematiske modeller har blitt validert og anvendt for rasjonell utforming av kreftbehandling, for å optimalisere effekten mens toksisitet minimere [28] – [32], og for effektivisering medisiner og utvikling [33]. Mer nylig cytokin-basert og cellulær immunterapi har blitt modellert og gransket [34] – [44], og noen modeller ble validert eksperimentelt og klinisk [39], [45]
Forskjeller i individuelle svar til PCa. vaksinasjon [10] reise spørsmålet om matematisk modellering kan hjelpe til å forutsi effekten av immunterapi på en enkelt pasient ved kvantitativt beskrive interaksjoner av kreft og immunterapi-modulert immunsystem. For å studere dette spørsmålet, har vi utviklet en enkel matematisk modell som beskriver de grunnleggende tidsavhengige relasjoner av PSA og immunitet hos pasienter som behandles med allogen PCa hel-celle-vaksine [10]. PSA nivåer målt for hver pasient [10] ble brukt til å individualisere og validere vår modell. Selv om PSA er blitt forlatt som et kvantitativt mål på PCa [46], i fravær av en mer relevant markør vi brukte dets sirkulerende nivåer som et korrelat av tumorbyrde og indikator på akutt forstyrrelse ved terapi. Ved å simulere behandlingsresultater etter
i silico
behandling modifikasjon (justering av vaksinedosen eller administrasjon tidsplan), har vi også definert individualiserte behandlingsprotokoller for å bli testet for mer effektive kliniske utfall.
Resultater
Generelt matematisk modell
Først bygget vi en generell matematisk modell av immunrespons i PCA pasienter som får vaksine terapi (fig. 1, Metoder og Supplemental Material S1). Modellen gir en generell beskrivelse av dynamikken i den sykdom, immunstimulering og immunsuppresjon. Den tar hensyn til tidsavhengige samspill av disse prosessene, som påvirkes av pågående vaksinasjon, alt bestemme det optimale kliniske resultatet. Modellen kan tilpasses individuelt etter pasientspesifikke parametre
D
m
, antigenpresenterende dermal dendrittiske celler.;
D
C
, modne dendrittiske celler;
D
R
, «utbrukte» dendrittiske celler;
R
, regulatoriske /hemmende celler;
C
, antigen-spesifikke effektor celler (
f.eks
., Cytotoksiske T-celler).
Retrospektiv modellvalidering
Neste, vi testet evne til modell for å beskrive PSA kurs i de pasientene som opprinnelig reagerte på behandlingen (se Metoder). Vi brukte PSA nivåer målt før og under de første fem til ni behandlingssykluser (totalt 10-15 målinger; «trening set») for å individualisere modell. Individuelle modeller klarer spådde Ptil kurs i løpet av de påfølgende sykluser og utover ( «validering set») i 12 blant 15 respondere (fig. 2). De predikerte PSA-verdier dannet nøye til de målte verdiene i validerings sett (
R
2 = 0,972).
Pasientspesifikke best tilpasning modellparametere ble utledet ved å tilpasse modellen til de respektive forbehandling PSA verdier og de første i-behandling PSA-verdier (rød). Etterfølgende PSA-nivåer (blå) ble forutsagt ved anvendelse av de oppnådde med best tilpasning parametere. I denne og påfølgende tall vertikale stiplede linjene indikerer begynnelsen av vaksinering behandling på dag 0. oppnå god prediktiv kraft krevde en annen størrelse av treningssettet for hver pasient. Den svarte boksen streker Pasient 3 hvis data er analysert i fig. 3A; den grå boksen gjelder Pasient 20 analysert i fig. 3B.
Antall PSA målinger i treningssett (rød) for Pasient 3 (A) og Pasient 20 (B) ble gradvis økt, og de monterte modellprediksjoner ble sammenlignet med PSA-måling i valideringssettet (blå). TPer = opplæringspoeng. Boxed paneler (15 TPer i A, 11 TPS i B) viser den justeres individuelt, minimal opplæring sett som gir nøyaktige modellprediksjoner (også vist i eske paneler i fig. 2).
Den første trinnvis økning av størrelsen av treningssettet forbedret prediksjonsnøyaktigheten for alle pasienter, men på et tidspunkt forbedring ble ubetydelig (fig. 3). Tippe nøyaktighet som en funksjon av treningssettet størrelse fulgt forskjellige mønstre i ulike pasienter. For eksempel, for Pasient 3, prediksjonsnøyaktigheten forbedret seg gradvis og monotont for å nå den nær-beste nivå med ganske få læringspunktene (fig. 3A, syvende panel). I motsetning til dette, for pasient 20, ble en god nøyaktighet oppnås allerede ved den fjerde iterasjon med 11 læringspunktene (fig. 3B, fjerde panel), men med flere læringspunktene nøyaktigheten minsket inntil den stabiliserte seg ved iterasjon 9.
Tre pasienter vises uvanlige og uforklarlig brå endringer i PSA-nivå, eller inkonsistente PSA trender, mot slutten av behandlingen; modellen kunne ikke forklare denne atferden (Fig. 4). Men for disse pasientene den totale tilpasning under mesteparten av vaksinering behandling var i god overensstemmelse med PSA-verdier.
Best-fit modell parametere for pasienter 1, 9 og 10 ble oppnådd ved å tilpasse modellen til trening sett (rød). Heltrukne linjer viser de predikerte senere opplysninger av PSA-nivå endring. Men de målte PSA verdier indikerer en drastisk endring i oppførselen til PSA nivåer (blå).
Tilpass modell styrt behandling
Etter å ha validert modellen, vi kunne teste responsen til modifikasjon av behandling,
ie
., til endringen i dosestørrelse eller administrasjonsskjema. Vi antok at ved bruk av tilpassede modeller, kan vi foreslå behandling modifikasjoner for å stabil PSA nivåer. Derfor simulert vi behandlingsprotokoller modifisert enten ved økt vaksinedose eller redusert intervaller mellom vaksiner i de individuelt parameteriserte modeller, for de ni pasienter som avsluttet behandlingen.
Vi fant at for hver pasient, den antatte stabilisering av PSA nivåer som kreves forskjellige modifikasjoner av vaksinedose eller intervall mellom vaksinasjoner (tabell 1). For eksempel, for Patient 14 en moderat reduksjon av intervallet (
dvs.
., 21 dager i forhold til standard 28 dager) ble spådd å være nok, mens andre pasienter kreves hyppigere vaksinering med standard dose (2,4 × 10
7-celler). Pasient 20, derimot, kreves enten den største blant de vurderte vaksinedoser (en 30-dobling), eller daglig administrering av standarddosen.
For å opprettholde de foreslåtte regimer innenfor kliniske begrensninger, vi studerte effekten av å redusere intervallet mellom vaksinasjoner til 14 eller 21 dager, eller med doble eller tredoble standarddosen, og sammenlignet de forutsagte resultater til de virkelig målte virkningene av den administrerte standard behandling. Fig. 5 viser to eksempler på en slik sammenligning: for Pasient 18, vaksinasjoner med standarddosen administreres oftere (hver 21. dag), eller dobbel dose administreres på standard 28-dagers intervall, er spådd til å gi tilsvarende effekt på PSA nivåer. I pasient 21, vil den samme forutsagte virkning fremkalles ved den standarddose administreres så ofte som hver 14. dag, eller ved trippel dose administrert hver 28. dag.
Individualisert modeller for pasienter 18 og 21 ble brukt til å forutsi PSA dynamikk etter modifisering av vaksinasjonsregime innenfor grensene anses klinisk mulig. Tynne, grå linjer representerer den optimale kurver til PSA dynamikk observert under standard behandlingsregime (2,4 × 10
7 vaksine celler administrert hver 28. dag,. Sammenligningen med figur 2); tykke røde linjene er de antatte kurs av PSA nivåer når vaksinasjonsregimer er endret. For Pasient 18, blir de simulerte virkninger som vises av dobling av vaksinedose (4,8 x 10
7 vaksine celler; A) eller reduksjon av vaksinasjon intervallet til 21 dager (B). For Pasient 21 ble vaksinedose tredoblet (7,2 × 10
7 vaksine celler, c) eller vaksinasjon intervall halvert (D)
Diskusjoner
Co-evolusjon. tumorer og immunitet er komplekse og ikke fullt ut forstått. Prosessen omfatter tidsavhengige interaksjoner som former både immunitet og svulsten, og bestemmer hvilke vil seire. For situasjoner når immunitet råder, har vi lite informasjon om de faktorene som bestemmer utfallet; når svulster råde, ser vi bare deres manifest fase selv om tumor effekter på immunforsvar kan ha startet selv på forstadier fasen [47]. Den mangelen på relevant informasjon og den iboende kompleksiteten i systemet samtalen for matematisk modellering for å formelt beskrive og kvantifisere co-utvikling av kreft og immunforsvar, og å forutsi strategier for ytterligere immun manipulasjon for å forbedre kliniske resultater. Gjennomførbarheten av denne tilnærmingen er forankret i rollen matematiske modeller har spilt i å gi ikke-intuitive innsikt i tumorvekst, progresjon og behandling.
Vi har utviklet en enkel matematisk modell, individualisert det ved å tilpasse til PSA-verdier registreres hos enkelte pasienter før og under vaksinering terapi, validert modellen ved senere individuelle PSA-verdier, og brukt resultatene til å forutsi den umiddelbare responsen av PSA nivåer til modifikasjoner av vaksinedose eller administrasjon planen. Modellen var bemerkelsesverdig vellykket i å forutsi PSA nivå endringer i 12 ut av 15 analyserte behandlings responsive pasienter. Den manifesterte robusthet passer ble ikke svekket av modellen enkelhet, omfatter ikke mer enn fire pasientspesifikke parametre, med andre parametere er avledet fra preklinisk og klinisk informasjon hentet fra uensartet publiserte kilder. Angivelig, en generisk representasjon av samspillet mellom aktivering av immunsystemet og undertrykkelse er tilstrekkelig å beskrive kliniske respons uten behov for å vurdere alle individuelle mekanistiske elementer som deltar i immunregulering separat.
Utledning av pasientspesifikke parametre fra treningssett og vellykket validering av individualiserte modeller fastslå prediktiv kraft av vår modell. For tre pasienter, validering mislyktes på grunn av ikke-monoton oppførsel av PSA nivåer på slutten av vaksinasjonsprogrammet. Av notatet, kan avvik på i løpet av PSA nivåer fra monotonien indikere uforutsette vesentlige endringer i det dynamiske forholdet mellom immunitet og svulsten. Det er fristende å spekulere i at dette skjedde fordi vaksinasjon brøt tumorprogresjon.
Som svar til vaksinering forskjellig blant pasientene betydelig, en viktig motiv for denne studien var å fastslå om det er mulig å forbedre individualisert behandling. Etter å ha validert individuelt parameteriserte modeller av effekten av vaksinering, testet vi om modellen kan foreslå endringer i vaksinedose eller administrasjon tidsplan for å stabilisere PSA nivåer. De foreslåtte endringene også skilte blant pasientene, et funn understreker den potensielle verdien av å teste individualisert vaksinasjonsprotokoller i kliniske studier. Det er bemerkelsesverdig at modifikasjoner av enten størrelsen på vaksinedose eller intervallet mellom doser kan resultere i sammenlignbare tumorrespons, noe som gir betydelig fleksibilitet i valg av klinisk og logistikkmessig mest gjennomførbare protokoller. Dermed fordelen med metoden er at den kan identifisere de pasientene som ikke vil respondere på behandling og forbedre behandlingseffekt for de som vil.
For å få en nøyaktig prediktiv modell, fant vi at hver pasient krevde en annen antall PSA målinger for å fullføre sin personlige treningssett. Dette reiser spørsmålet om man kan bestemme, under behandlingen, det antall målinger som er tilstrekkelig for evaluering av personlige modellparametere, slik at modellen kan brukes til individuell endring av den etterfølgende behandlingsforløpet. Derfor har vi nylig utviklet en algoritme som en kan bestemme antall akkumulerte målinger som er tilstrekkelig for gjennomføring av treningssettet (Y. Kogan
et al
., Under forberedelse).
mekanistisk forankring av modellen kan bli sterkt forbedret ved innføring av faktorer som direkte relatert til endringer i frekvens og aktiviteten av immun-celler og molekyler, deres integrerte virkninger på tumor, så vel som virkningene av svulsten på immunitet. Dette er imidlertid en formidabel oppgave, som demonstrert ved en rekke laboratorieparametre er satt sammen av de samme pasientene vi analysert i denne studien [10]. I vår analyse, ingen enkelt immune parameter korrelert med forsinkelse på utbruddet av PSA progresjon (en endepunktet i studien); Men en kunstig intelligens analyse avdekket spinkel trender i integrerte utfall av flere parametere som kan drive immunitet i en bestemt retning (
f.eks
., mot T
H1-type respons [10]). Denne innsikten åpner mange muligheter, men utfordrende, for å konstruere og teste deterministiske matematiske modeller for co-utviklingen av svulster og immunitet og studere rollen til immun manipulasjon for terapeutiske formål. Vår modell kan anvendes sammen med andre biomarkører for tumorprogresjon eller andre behandlingstyper. Bruken av andre kreftindikasjoner bør undersøkes.
I sammendraget, vi har presentert og i etterkant godkjent en ny personlig matematisk modell av kortsiktige effekter av vaksinasjon på PCa. Ved iterativ modell montering, oppdaget vi at bare noen få forbehandling og i-behandling PSA-måling nok til å produsere en prediktiv personlig modell. Muligheten til å forutse kliniske utfall før ferdigstillelse av behandlingen åpner døren til i behandlingsterapi modifisering for å forbedre den kliniske respons.
Materialer og Metoder
Pasienter og behandling
samlet avidentifiserte data fra en fase 2 klinisk utprøving av en
in vitro
forberedt allogen PCa hel-celle-vaksine, administreres på asymptomatiske metastatisk PCA pasienter, hvis sirkulerende PSA nivåer var stiger til tross for androgen undertrykkelse (Cohort 1 i ref. [10]). Behandling inkludert 14 intradermale anvendelser av vaksinen, de to første inneholder
Bacille Calmette-Guérin plakater (BCG). De tre innledende doser ble adskilt to uker fra hverandre, etterfulgt av 11 doser adskilt med fire ukers mellomrom, slik at behandlingsperioden varte i omtrent ett år. Sirkulasjons PSA ble målt før behandlingen, ved at vaksineringen, og sporadisk mellom injeksjoner og etter avsluttet behandling. Antallet forbehandling, in-behandling og etter behandling PSA-måling varierte blant pasientene.
For å klassifisere pasientene ved respons på behandling, evaluert vi enkelte PSA hastighet (lineær endring av logaritmen av PSA nivåer) før behandlingen og i løpet av de fire første syklusene av behandlingen. I 15 pasienter vaksinasjon redusert PSA hastighet, mens andre gjorde det ikke. Vi studerte PSA data utelukkende fra pasienter.
Generelt matematisk modell
Vi modellert de grunnleggende interaksjoner av PCa og immunitet ved et system av syv ordinære differensialligninger regnskap for interaksjoner av vaksinen, immunsystemet og kreftceller i huden, lymfeknuter og annet vev (disseminert kreftceller). Modellen er basert på en forutsetning om at vaksinen stimulerer kreft-spesifikk immunitet, men også at vanlige regulatoriske mekanismer og svulsten undertrykke denne immunitet. Modellen er fullt detaljert i fig. 1 og Supplemental Material S1.
Model gjennomføringen
Modellen og kurvetilpasning algoritmer ble implementert på en MATLAB® programmeringsplattform (MathWorks, Natick, MA). Vi løste modell ligninger av numeriske ordinære differensiallikningsløsere tilgjengelig i MATLAB. Montering av modellen til data ble utført med begrenset optimalisering prosedyrer.
Individualisert modeller
For å individualisere modellen, vi evaluert utvalgte parametre for den enkelte pasient. De fleste modellparametere ble evaluert fra publiserte
in vitro
og
in vivo
data og ble antatt å være lik for alle pasienter (Tabell 2, for detaljer, se Opplysning Material S1). Tumor vekstrate (
r
), CTL drepe aktivitet (
et
p
), samt
A Hotell og
B
, den to parametre samkjøre tumorbelastning og PSA nivåer, ble ansett pasient-spesifikke, basert på de observasjoner som tumor vekst, PSA sekresjon priser og intensiteten av vaksine-indusert immunrespons varierer betydelig mellom individer. For å unngå overparameter, vi tilskrives intensiteten av immunrespons på enkelt parameter
et
p
.
For å estimere pasientspesifikke parametre i enkelte modeller, utstyrt vi modellen ved den minste kvadraters metode til relevant «trening set» som inkluderte alle pre-behandling og flere innledende in-behandling PSA-verdier for hver pasient; antall treningsdatapunkter kan variere blant pasientene. Deretter brukte vi resultatene for å simulere den påfølgende løpet av PSA endring og forhold simuleringen med PSA målinger registrert følgende målinger i treningssettet ( «validering set»). Hvis prediksjonsnøyaktigheten var lav, var størrelsen på treningssettet iterativt økt med en påfølgende PSA måling, trekke poenget fra valideringssettet.
Model validering
Å forutsi PSA dynamikk utover treningen sett, vi simulert hver individuell modell under personlig vaksinasjon (som kan inkludere små variasjoner fra den generelle planen). For hver pasient, ble spådommer sammenlignet med klinisk observert PSA nivåer i valideringssettet. Godhet-of-fit ble evaluert samle sammen alle valideringsdatapunkter fra alle pasientene. Å sammenligne spådommer med målinger, vi beregnet koeffisienten,
R
2, mellom predikerte og observerte PSA-verdier.
Therapy individualisering
Vi undersøkt om intensivere behandling kan forbedre vaksinen effekt hos enkelte pasienter. Derfor, basert på den validerte individuelle modeller for de ni pasientene som fullførte behandlingen, simulert vi effektene av mange forsterket vaksinasjonsprotokoller for hver enkelt pasient. Intensive inkluderte en gradert 10 prosent økning over standard vaksinedose eller gradert en-dags reduksjon av administrasjon intervall i forhold til standard tidsplan. Vi blinket ut individuelle vaksinasjon tidsplaner som bør føre til stabilisering av PSA nivåer ved slutten av behandlingen, ved konsentrasjoner ikke mer enn 10 prosent over forbehandling nivå. For hver pasient, er minimal økning i vaksinedose og minimal reduksjon i doseringsintervall som oppfyller de ovennevnte Ptil stabilisering kriterium rapportert i tabell 1.
Hjelpemiddel Informasjon
Material S1.
Denne filen inneholder (a) den matematiske modellen av prostatakreft terapeutisk vaksinasjon; (B) parameter estimering
doi:. 10,1371 /journal.pone.0015482.s001 plakater (docx)
Takk
Vi takker Dr. Anthony Walker (Onyvax Ltd.) for sjenerøst dele de kliniske PSA data.
Dedication
SV-P. dedikerer sitt bidrag til dette arbeidet til minne om fru Adelyn L. Luther (1920-2010).
