Integrative analysis of copy number and gene expression data identifies potential oncogenic drivers that promote mammary tumor recurrence
Notice bibliographique
Résumé
Tumor recurrence represents a significant clinical challenge in the treatment and management of breast cancer. To investigate whether copy number aberrations (CNAs) facilitate the re-emergence of tumor growth from residual disease, we performed array comparative genomic hybridization on primary and recurrent mammary tumors from an inducible mouse model of type-I insulin-like growth factor receptor driven breast cancer. This genome-wide analysis revealed primary and recurrent tumors harbored distinct CNAs with relapsed tumors containing an increased number of gene-level gains and losses. Remarkably, high-level CNAs detected in primary tumors were largely devoid of annotated cancer genes while the vast majority of recurrent tumors harbored at least one CNA containing a known oncogene or tumor suppressor. Specifically, 38% of recurrent tumors carried gains at 6qA2 and 9qA2 which encode the Met and Yap1 oncogenes, respectively. The most frequent CNA, occurring in 63% of recurrent tumors, was a focal deletion at 4qC5 involving the Cdkn2a/b tumor suppressor genes. Integrative analysis revealed positive correlations between gene copy number and mRNA expression suggesting Met, Yap1, and Cdkn2a/b may serve as potential drivers that promote tumor recurrence. Accordingly, cross-species analysis revealed gene-level murine CNAs were present in a subset of human breast cancers with high MET and YAP1 mRNA predictive of decreased relapse-free survival in basal-like breast cancers. Together, these findings indicate that tumor recurrence is facilitated by the acquisition of CNAs with oncogenic potential and provide a framework to dissect the molecular mechanisms that mediate tumor escape from dormancy.
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 | 0,001 |
| 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 ».