Multi-platform characterization of cutaneous melanoma from patients treated with immune checkpoint inhibitors.
Notice bibliographique
Résumé
e15071 Background: Therapeutics targeting inhibitory immune checkpoints have revolutionized the treatment of advanced and metastatic melanoma. Clinical trials of dual treatment with anti-CTLA4 and anti-PD-1 monoclonal antibodies observed up to 57.6% response rates with 11.5% of patients achieving complete response and 13.1% having stable disease for over 12 months of follow-up (Larkin et al. 2015). However, side effects continue to be a major problem with over 40% of patients reporting a severe adverse event. A number of groups have identified that tumour mutation burden, gene expression signatures and tumor aneuploidy are predictors of immunotherapy response (reviewed in Sharma et al. 2017). A significant knowledge gap remains regarding which combination of factors best predict a priori response to immune checkpoint inhibitors. Methods: We performed a multi-platform integrative analysis of 42 regional metastatic melanoma samples from patients treated with immune checkpoint inhibitors. Platforms included in this study were focused sequencing of >400 cancer-associated genes using the CANCERPLEX platform from Kew Group Inc., DNA copy number, 7-colour immunofluorescence of immune infiltration markers, and analysis of peripheral blood. Results: Our focused sequencing gene panel was shown to predict tumour mutation burden and to accurately identify known melanoma driver mutations. Tumour lymphocyte infiltration predicted immune checkpoint response, and highly infiltrated tumours had improved survival (p<0.05). Furthermore, elevated pre-treatment eosinophil and basophil counts were associated with improved treatment response, while high lactate dehydrogenase levels were associated with poor survival and decreased response rates. Conclusions: This study adds to a growing body of knowledge to understand the molecular determinants of response to immune checkpoint inhibitors to further personalize melanoma care.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».