Efficient molecular subtype classification of high‐grade serous ovarian cancer
Notice bibliographique
Résumé
High-grade serous carcinomas (HGSCs) account for approximately 70% of all epithelial ovarian cancers diagnosed. Using microarray gene expression profiling, we previously identified four molecular subtypes of HGSC: C1 (mesenchymal), C2 (immunoreactive), C4 (differentiated), and C5 (proliferative), which correlate with patient survival and have distinct biological features. Here, we describe molecular classification of HGSC based on a limited number of genes to allow cost-effective and high-throughput subtype analysis. We determined a minimal signature for accurate classification, including 39 differentially expressed and nine control genes from microarray experiments. Taqman-based (low-density arrays and Fluidigm), fluorescent oligonucleotides (Nanostring), and targeted RNA sequencing (Illumina) assays were then compared for their ability to correctly classify fresh and formalin-fixed, paraffin-embedded samples. All platforms achieved > 90% classification accuracy with RNA from fresh frozen samples. The Illumina and Nanostring assays were superior with fixed material. We found that the C1, C2, and C4 molecular subtypes were largely consistent across multiple surgical deposits from individual chemo-naive patients. In contrast, we observed substantial subtype heterogeneity in patients whose primary ovarian sample was classified as C5. The development of an efficient molecular classifier of HGSC should enable further biological characterization of molecular subtypes and the development of targeted clinical trials.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».