Molecular alterations in indolent, aggressive and recurrent ovarian low‐grade serous carcinoma
Notice bibliographique
Résumé
AIMS: The clinical courses of patients with low-grade serous carcinoma (LGSC) can be substantially different. The purpose of this study was to explore whether molecular or pathological features could identify patients who follow a more aggressive course. METHODS AND RESULTS: Twenty-six primary LGSCs (11 with an aggressive clinical course, and 15 with an indolent clinical course) and five paired recurrences were assessed for non-synonymous somatic mutations in 18 MAPK pathway genes and in 42 other classic cancer 'hotspot' genes by use of a custom-designed AmpliSeq panel based on the AmpliSeq Cancer hotspot panel v2. Copy number alterations for 94 target genes were assessed with the nCounter v2 Cancer CN assay. Immunohistochemistry for 12 proteins was performed. We detected 16 mutations in 13 of 26 cases (50%), affecting five genes that signal through the MAPK pathway, and one ESR1 mutation implicated in resistance to endocrine therapy in breast cancer. Recurrent samples were concordant with the primary tumour with respect to the mutational status, but all five cases showed additional alterations at the copy number or protein expression level. The absence of progesterone receptor (PR) expression and the presence of myometrial lymphovascular invasion were associated with an unfavourable outcome (log-rank P = 0.016 and P < 0.0001, respectively), but none of the other molecular features assessed showed an association. CONCLUSION: Despite limited case numbers, it appears that current molecular testing is inferior to a pathological parameter or protein expression in predicting the outcome of LGSCs. Prediction of outcome based on the primary tumour may be confounded by additional changes acquired over time.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».