Comparing genomic landscape of early stage, treatment naïve and late stage, drug resistant EGFR-mutant lung adenocarcinomas
Notice bibliographique
Résumé
While, the genomic landscape of early stage, treatment nave lung adenocarcinomas (LUADs) has been described quite elaborately in recent literature, the genomic profile of late stage, drug resistant tumors remains largely unknown. Further, most of the published studies are based on smoker dominated Caucasian cohorts and EGFR-mutant LUAD remains under-represented in them. Despite response rates of upto 70% to EGFR tyrosine kinase inhibitors (TKIs), resistance ensues in most of these EGFRmutant patients, limiting responses to a median of 10-12 months. Thus, to better understand the evolution of these tumors in context of drug resistance, we perform a comparative analysis of the mutational and copy number landscape of early stage, treatment nave vs late stage, resistant tumors. Whole exome sequencing was performed on: (i) 100 tumor sectors from 24 early stage, treatment nave EGFR-mutant LUAD cases. (ii) 81 biopsies from 58 late stage, TKI and chemotherapy resistant cases. Copy number analysis using SNP arrays was performed for a subset of these patients. The significantly higher mutation burden in the late stage, drug resistant tumors elucidated a driver mutation landscape beyond just recurrent TP53 mutations, which was dominated by PIK3CA (14%), RB1 (10%), NF1 (7%) and other rare mutations in EGFR (in 5/58 cases), many of which cooccurred with the T790M mutation. Functional studies validated the oncogenicity of some of these rare mutations in the PI3K/AKT1 pathway. The copy number landscape revealed pervasive, truncal genome doubling events in both cohorts (~80% cases). While comparable fraction of genome was affected by overall copy number gains or losses (copy change >=1) across the two cohorts (49.2% vs 46.3%, P=0.51), significantly higher fraction of genome was affected by amplifications (copy change >=2; 8.7% vs 5%, P=0.02) and loss of heterozygosity (LOH; 33.1% vs 20.6%, P=0.003) in the drug resistant tumors compared to the treatment naive tumors. In summary, our study reveals (i) increased mutation and driver burden with co-occurring resistance
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 ».