Noninvasive Diagnosis of Actionable Mutations by Deep Sequencing of Circulating Free DNA in Lung Cancer from Never-Smokers: A Proof-of-Concept Study from BioCAST/IFCT-1002
Notice bibliographique
Résumé
PURPOSE: Tumor somatic mutation analysis is part of the standard management of metastatic lung cancer. However, physicians often have to deal with small biopsies and consequently with challenging mutation testing. Circulating free DNA (cfDNA) is a promising tool for accessing the tumor genome as a liquid biopsy. Here, we evaluated next-generation sequencing (NGS) on cfDNA samples obtained from a consecutive series of patients for the screening of a range of clinically relevant mutations. EXPERIMENTAL DESIGN: A total of 107 plasma samples were collected from the BioCAST/IFCT-1002 lung cancer study (never-smokers cohort). Matched tumor DNA (tDNA) was obtained for 68 cases. Multiplex PCR-based assays were designed to target specific coding regions in EGFR, KRAS, BRAF, ERBB2, and PI3KCA genes, and amplicon sequencing was performed at deep coverage on the cfDNA/tDNA pairs using the NGS IonTorrent Personal Genome Machine Platform. RESULTS: CfDNA concentration in plasma was significantly associated with both stage and number of metastatic sites. In tDNA, 50 mutations (36 EGFR, 5 ERBB2, 4 KRAS, 3 BRAF, and 2 PIK3CA) were identified, of which 26 were detected in cfDNA. Sensitivity of the test was 58% (95% confidence interval, 43%-71%) and the estimated specificity was 87% (62%-96%). CONCLUSION: These data demonstrate the feasibility and potential utility of mutation screening in cfDNA using IonTorrent NGS for the detection of a range of tumor biomarkers in patients with metastatic lung cancer.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».