Distinct predictive biomarker candidates for response to anti-CTLA-4 and anti-PD-1 immunotherapy in melanoma patients
Notice bibliographique
Résumé
BACKGROUND: While immune checkpoint blockade has greatly improved clinical outcomes in diseases such as melanoma, there remains a need for predictive biomarkers to determine who will likely benefit most from which therapy. To date, most biomarkers of response have been identified in the tumors themselves. Biomarkers that could be assessed from peripheral blood would be even more desirable, because of ease of access and reproducibility of sampling. METHODS: We used mass cytometry (CyTOF) to comprehensively profile peripheral blood of melanoma patients, in order to find predictive biomarkers of response to anti-CTLA-4 or anti-PD-1 therapy. Using a panel of ~ 40 surface and intracellular markers, we performed in-depth phenotypic and functional immune profiling to identify potential predictive biomarker candidates. RESULTS: memory/non-memory cells and other memory subsets was different between responders and non-responders to anti-CTLA-4 therapy. In anti-PD-1 (but not anti-CTLA-4) treated patients, we discovered differences in CD69 and MIP-1β expressing NK cells between responders and non-responders. Finally, multivariate analysis was used to develop a model for the prediction of response. CONCLUSIONS: memory T cell subsets play an important role in response to anti-CTLA-4, and are potential biomarker candidates. For anti-PD-1 therapy, NK cell subsets (but not memory T cell subsets) correlated with clinical response to therapy. These functionally active NK cell subsets likely play a critical role in the anti-tumor response triggered by anti-PD-1.
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 | 0,002 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».