Gene expression identifies heterogeneity of metastatic behavior among gastrointestinal stromal tumors
Notice bibliographique
Résumé
BACKGROUND: Adjuvant imatinib is useful in patients with gastrointestinal stromal tumors (GIST) at high risk of recurrence. At present, the risk of recurrence is determined based on tumor size, mitotic rate, tumor site, and tumor rupture. Previous studies using various biochemical pathways identified gene expression patterns that distinguish two subsets of aggressive fibromatosis (AF), serous ovarian carcinoma (OVCA), and clear cell renal cell carcinoma (RCC). These gene sets separated soft tissue sarcomas into two groups with different probabilities of developing metastatic disease. The present study used these gene sets to identify GIST subgroups with different probabilities of developing metastatic disease. METHODS: We utilized these three gene sets, hierarchical clustering, and Kaplan-Meier analysis, to examine 60 primary resected GIST samples using Agilent chip expression profiling. RESULTS: Hierarchical clustering using both the combined and individual AF-, OVCA-, and RCC- gene sets identified differences in probabilities of developing metastatic disease between the clusters defined by the first branch point of the clustering dendrograms (p = 0.029 for the combined gene set, p = 0.003 for the AF-gene set, p < 0.001 for the OVCA-gene set, and p = 0.003 for the RCC-gene set). CONCLUSIONS: Hierarchical clustering using these gene sets identified at least two subsets of GIST with distinct clinical behavior and risk of metastatic disease. The use of gene expression analysis along with other known prognostic factors may better predict the long-term outcome following surgery, and thus restrict the use of adjuvant therapy to high-risk GIST, and reduce heterogeneity among groups in clinical trials of new drugs.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».