Multi‐omics in high‐grade serous ovarian cancer: Biomarkers from genome to the immunome
Notice bibliographique
Résumé
Epithelial ovarian cancer (EOC) is a lethal gynaecological disease that imposes significant burden on health care and patient quality of life. High-grade serous carcinoma of the ovary (HGSC) is the most prevalent histological type of EOC. A vast majority of HGSC cases are diagnosed at late stages of the disease, limiting the opportunity for clinical intervention and resulting in a 10-year survival rate of <20%. Recent innovations in high-throughput molecular analysis of patient-derived specimens may address these clinical challenges by providing an enhanced understanding of the molecular aetiology of ovarian cancer, in addition to offering several opportunities for rational biomarker and targeted therapy discovery. In this review, we highlight the most significant contributions of omics approaches and how the advent of immunomics can aid in personalized combination chemo-immunotherapy in ovarian cancer treatment. We further provide insights into immunogenomic correlates of pre-treatment tumour immune microenvironment and some of the potential interpretations of immunomic data that require further validation, based on stromal and immune contributions to biomarker signatures. We believe a comprehensive integrative approach via meta-analysis of large ovarian cancer molecular profiling data sets is urgently needed to define robust prognostic and predictive classifiers of disease progression and treatment response. These investigations will inform rationalized biomarker-driven combination chemo-immunotherapy trials for improving response and survival of ovarian cancer patients.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».