MétaCan
Menu
Retour à la cohorte
Enregistrement W2745658163 · doi:10.1016/j.ccell.2017.07.003

Integrative Analysis Identifies Four Molecular and Clinical Subsets in Uveal Melanoma

2017· article· en· W2745658163 sur OpenAlexaff
A. Gordon Robertson, Juliann Shih, Christina Yau, Ewan A. Gibb, Junna Oba, Karen Mungall, Julian M. Hess, Vladislav Uzunangelov, Vonn Walter, Ludmila Danilova, Tara M. Lichtenberg, Melanie H. Kucherlapati, Patrick K. Kimes, Ming Tang, Alexander Penson, Özgün Babur, Rehan Akbani, Christopher A. Bristow, Katherine A. Hoadley, Lisa Iype, Matthew T. Chang, Mohamed H. Abdel‐Rahman, Adrian Ally, J. Todd Auman, Miruna Balasundaram, Saianand Balu, Rameen Beroukhim, İnanç Birol, Tom Bodenheimer, Jay Bowen, Reanne Bowlby, Denise Brooks, Rebecca Carlsen, Colleen M. Cebulla, Andrew D. Cherniack, Lynda Chin, Juok Cho, Eric Chuah, Sudha Chudamani, Carrie Cibulskis, Kristian Cibulskis, Leslie Cope, Timothy Defreitas, John A. Demchok, Laurence Desjardins, Noreen Dhalla, Bita Esmaeli, Ina Felau, Martin L. Ferguson, Scott Frazer, Stacey Gabriel, Julie M. Gastier‐Foster, Nils Gehlenborg, Mark Gerken, Gad Getz, Klaus Griewank, Elizabeth A. Grimm, D. Neil Hayes, Apurva M. Hegde, David I. Heiman, Carmen Helsel, Shital Hobensack, Robert A. Holt, Alan P. Hoyle, Xin Hu, Carolyn M. Hutter, Martine J. Jager, Corbin D. Jones, Steven J.M. Jones, Cyriac Kandoth, Jaegil Kim, Raju Kucherlapati, Eric S. Lander, Michael S. Lawrence, Alexander J. Lazar, Semin Lee, Kristen Leraas, Pei Lin, Jia Liu, Wenbin Liu, Laxmi Lolla, Yiling Lu, Yussanne Ma, Harshad S. Mahadeshwar, Odette Mariani, Marco A. Marra, Michael Mayo, Shaowu Meng, Matthew Meyerson, Piotr A. Mieczkowski, Gordon B. Mills, Richard A. Moore, Lisle E. Mose, Andrew J. Mungall, Bradley A. Murray, Rashi Naresh, Michael S. Noble, Angeliki Pantazi, Michael Parfenov, Peter J. Park, Joel S. Parker, Charles M. Perou, Todd Pihl, Robert Pilarski, Alexei Protopopov, Amie Radenbaugh, Karan Rai, Nilsa C. Ramirez, Xiaojia Ren, Sheila M. Reynolds, Jeffrey Roach, Sergio Roman‐Roman, Jason Roszik, Sara Sadeghi, Gordon Saksena, Xavier Sastre, Dirk Schadendorf, Jacqueline E. Schein, Steven E. Schumacher, Jonathan G. Seidman, Sahil Seth, Geetika Sethi, Margi Sheth, Yan Shi, Carol L. Shields, Ilya Shmulevich, Janae V. Simons, Arun D. Singh, Payal Sipahimalani, Tara Skelly, Heidi J. Sofia, Matthew G. Soloway, Xingzhi Song, Joshua M. Stuart, Qiang Sun, Huandong Sun, Angela Tam, Donghui Tan, Jiabin Tang, Roy Tarnuzzer, Barry S. Taylor, Nina Thiessen, Vésteinn Thórsson, Kane Tse, Umadevi Veluvolu, Roel G.W. Verhaak, Doug Voet, Yunhu Wan, John N. Weinstein, Matthew D. Wilkerson, Lisa Wise, Scott E. Woodman, Tina Wong, Ye Wu, Liming Yang, Lixing Yang, Jean C. Zenklusen, Jiashan Zhang, Hailei Zhang, Erik Zmuda

Notice bibliographique

RevueCancer Cell · 2017
Typearticle
Langueen
DomaineMedicine
ThématiqueOcular Oncology and Treatments
Établissements canadiensCanada's Michael Smith Genome Sciences CentreBC Cancer Agency
Organismes subventionnairesNational Eye InstituteCastle BiosciencesNational Human Genome Research InstituteNational Cancer InstituteNational Institutes of HealthBayer
Mots-clésMelanomaCancer researchComputational biologyBiologyMedicine

Résumé

récupéré en direct d'OpenAlex

Comprehensive multiplatform analysis of 80 uveal melanomas (UM) identifies four molecularly distinct, clinically relevant subtypes: two associated with poor-prognosis monosomy 3 (M3) and two with better-prognosis disomy 3 (D3). We show that BAP1 loss follows M3 occurrence and correlates with a global DNA methylation state that is distinct from D3-UM. Poor-prognosis M3-UM divide into subsets with divergent genomic aberrations, transcriptional features, and clinical outcomes. We report change-of-function SRSF2 mutations. Within D3-UM, EIF1AX- and SRSF2/SF3B1-mutant tumors have distinct somatic copy number alterations and DNA methylation profiles, providing insight into the biology of these low- versus intermediate-risk clinical mutation subtypes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,000
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,033
Tête enseignante GPT0,386
Écart entre enseignants0,353 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations919
Publié2017
Routes d'admission1
Résumé présentnon

Explorer davantage

Même revueCancer CellMême sujetOcular Oncology and TreatmentsTravaux en français237 207