Outcome-Related Differences in Gene Expression Profiles of High-Grade Serous Ovarian Cancers Following Neoadjuvant Chemotherapy
Notice bibliographique
Résumé
Abstract Large-scale genomic studies have detailed the molecular landscape of tumors from patients with high-grade serous ovarian cancers (HGSC) who underwent primary debulking surgery and correlated the identified subgroups to survival. In recent years, there is increased use of neoadjuvant chemotherapy (NACT) for patients with HGSC and while abundant data exist for patients who underwent primary debulking, little data are available on the cancer cells remaining after NACT that could lead to recurrences. We aimed to analyze gene expression profiles of NACT-treated HGSC tumor samples, and correlate them to treatment response and outcome. Tumor samples were collected from patients with stage III or IV HGSC (NACT cohort, N = 57) at the time of surgery and diagnosis (biopsy samples N = 8). Tumor content was validated by histologic examination and bioinformatics. Gene expression analysis was performed using a tailored NanoString-based assay, while sequencing was performed using MiSeq. A cross-validated survival classifier revealed patient clusters with either a “Better” or “Worse” prognostic outcome. The association with overall survival remained significant after controlling for clinical variables, and differential gene expression, gene set enrichment analyses, and the appropriate survival models were used to assess the associations between alterations in gene expression in cancer cells remaining after NACT and outcome. Pathway-based analysis of the differentially expressed genes revealed comparatively high levels of cell cycle and DNA repair gene expression in the poor outcome group. Implications: Our work suggests mRNA expression patterns in key genes following NACT may reflect response to treatment and outcome in patient with HGSC.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 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 ».