Abstract 1122: Personalized oncogenomics in advanced stage breast cancer
Notice bibliographique
Résumé
Abstract Background Breast cancer is a complex disease with clinical, pathological, and molecular heterogeneity. Recent studies have identified several subtypes of breast cancers driven by specific molecular pathways that can be inhibited by targeted drugs. We studied the feasibility of using molecular data from whole genome and transcriptome sequencing of breast cancers to guide treatment. Methods Patients were consented as part of the Personalized Onco-Genomics (POG) study at the British Columbia Cancer Agency. Fresh tumor, blood for normal DNA, and archival tumor were collected. Tissue and blood samples were sequenced using the Ion Torrent AmpliSeq panel, followed by comprehensive DNA and RNA sequencing. In-depth bioinformatic analyses were performed. Somatic mutations, copy number changes, structural variants and gene expression were characterized. Results from genomic analyses were reviewed in a multi-disciplinary team. Results From August 2012 to October 2014, tissue samples from 30 patients with advanced stage breast cancer were analyzed. The median age at diagnosis was 53 years (range 32-75). The median number of lines of cytotoxic therapy prior to sequencing was 2 (range 0-10). All cases were invasive ductal carcinoma; 63% were ER+ and HER2-; 27% triple negative; 7% ER+ and HER2+; and 3% ER- and HER2+. The most frequently mutated genes were TP53 (67%), PI3KCA (23%), ESR1 (20%), ATM (10%), ARID1A (10%), and BRCA1/2 (10%). Somatic mutations in other genes of interest including HER2, PARP1, NF1, BAP1, PTEN, NOTCH1, were also identified. Molecular data were informative for patient care and/or actionable to guide treatment in 57% (17/30) of cases. Conclusion The use of whole genome sequencing technology to identify valuable molecular information to guide personalized breast cancer treatment is feasible. Further studies are warranted to evaluate the usefulness of genome-wide sequencing of breast cancers in clinical practice. Citation Format: Sophie Sun, Karen A. Gelmon, Stephen Chia, Caroline Lohrisch, Tamara Shenkier, Diego Villa, Yaoqing Shen, Martin Jones, Erin Pleasance, Katayoon Kasaian, Peter Eirew, Sreeja Leelakumari, Yusanne Ma, Tony Ng, Stephen Yip, Steven JM Jones, Marco A. Marra, Janessa J. Laskin. Personalized oncogenomics in advanced stage breast cancer. [abstract]. In: Proceedings of the 106th Annual Meeting of the American Association for Cancer Research; 2015 Apr 18-22; Philadelphia, PA. Philadelphia (PA): AACR; Cancer Res 2015;75(15 Suppl):Abstract nr 1122. doi:10.1158/1538-7445.AM2015-1122
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».