Abstract PR17: Immunogenomic landscape of pediatric solid malignancies
Notice bibliographique
Résumé
Abstract Malignancy remains the leading cause of disease-related death in children. To identify potential tumor-driving molecular targets and immunogenomic profiles in pediatric cancers, we performed RNA-seq analysis on a cohort of 788 pediatric solid malignant tumors across 14 different diagnoses in conjunction with additional 147 normal tissues for comparison. Sequencing data were analyzed for expressed mutations, fusion events, and expressional patterns, providing therapeutic targets and rich cancer biology for these childhood cancers. Furthermore, we describe immunogenomic features of these solid tumors including immune cell infiltrate, neoantigen expression, expression of immunomodulatory molecules, and T-cell receptor repertoire. Across the cohort, we observed a striking correlation between the expressed neoantigen burden in tumors and enrichment of the effector immune signatures. Histology-specific immunogenomic patterns were also apparent. Several of the pediatric cancers such as alveolar soft part sarcoma and osteosarcoma exhibit rich immune cell infiltration and evidence for activated T-cell activities, whereas others such as Wilms’ tumors and synovial sarcoma generally have a very low T-cell infiltration. We demonstrate that RNA-seq is a powerful tool to identify clinically relevant and histology-specific recurrent mutations, novel oncogenic fusions, and translationally relevant immunogenomic patterns for pediatric cancers. This study also represents one of the largest of its type to date and provides a framework for future translational efforts in pediatric cancer. This abstract is also being presented as Poster A69. Citation Format: Jun S. Wei, Andrew S. Brohl, Sivasish Sindiri, Young K. Song, Sushma Najaraj, Vineela Gangalapudi, Xinyu Wen, Marc Ladanyi, Javed Khan. Immunogenomic landscape of pediatric solid malignancies [abstract]. In: Proceedings of the AACR Special Conference on the Advances in Pediatric Cancer Research; 2019 Sep 17-20; Montreal, QC, Canada. Philadelphia (PA): AACR; Cancer Res 2020;80(14 Suppl):Abstract nr PR17.
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) | 0,003 | 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 ».