Sampling Strategies for Tissue Microarrays to Evaluate Biomarkers in Ovarian Cancer
Notice bibliographique
Résumé
INTRODUCTION: Tissue microarrays (TMA) enable rapid analysis of biomarkers in large-scale studies involving archival tumor specimens, however, their utility in heterogeneous tumors such as ovarian cancer is limited. METHODS: In this study, immunohistochemical analysis was done on TMAs comprised of epithelial ovarian cancer (EOC) to estimate the prevalence of loss of expression of three mismatch repair proteins. TMAs were initially created using cores sampled from the center of donor tissue blocks from 59 EOC cases. Full sections were subsequently created and levels of expression were compared between tissues sampled from the central portion versus the periphery. Follow-up analyses were done by obtaining cores from the periphery of up to five additional donor blocks per case. A linear mixed model for each protein was used to investigate differences between results from the initial and follow-up blocks. RESULTS: In the original TMAs created using centrally sampled cores, loss of mismatch repair expression was noted in 17 (29%) of the 59 cases. By comparison, analyses from peripherally sampled cores revealed loss of expression in only 6 of these 17 cases. For each protein, significant differences (P < 0.05) were detected between results from the initial donor block and the majority of the follow-up blocks. CONCLUSIONS: Our investigations, based on EOC, suggest that sampling variability in protein expression may result when TMAs are used. Thus, at least for EOC, it is important to preferentially sample from the periphery of tumor blocks where exposure to tissue fixatives is optimal.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».