MétaCan
Menu
Retour à la cohorte
Enregistrement W2977559041 · doi:10.1093/biolre/ioz099

Ovarian cancer and the evolution of subtype classifications using transcriptional profiling†

2019· review· en· W2977559041 sur OpenAlexaff
David P. Cook, Barbara C. Vanderhyden

Notice bibliographique

RevueBiology of Reproduction · 2019
Typereview
Langueen
DomaineMedicine
ThématiqueOvarian cancer diagnosis and treatment
Établissements canadiensOttawa HospitalUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésOvarian cancerBiologyComputational biologyDiseaseSerous ovarian cancerDNA microarrayBioinformaticsTranscriptomeCancerCancer researchGeneInternal medicineGeneticsGene expressionMedicine

Résumé

récupéré en direct d'OpenAlex

Ovarian cancer is a complex disease with multiple subtypes, each having distinct histopathologies and variable responses to treatment. This review highlights the technological milestones and the studies that have applied them to change our definitions of ovarian cancer. Over the past 50 years, technologies such as microarrays and next-generation sequencing have led to the discovery of molecular alterations that define each of the ovarian cancer subtypes and has enabled further subclassification of the most common subtype, high-grade serous ovarian cancer (HGSOC). Improvements in mutational profiling have provided valuable insight, such as the ubiquity of TP53 mutations in HGSOC tumors. However, the information derived from these technological advances has also revealed the immense heterogeneity of this disease, from variation between patients to compositional differences within single masses. In looking forward, the emerging technologies for single-cell and spatially resolved transcriptomics will allow us to better understand the cellular composition and structure of tumors and how these contribute to the molecular subtypes. Attempts to incorporate the complexities ovarian cancer has resulted in increasing sophistication of model systems, and the increased precision in molecular profiling of ovarian cancers has already led to the introduction of inhibitors of poly (ADP-ribose) polymerases as a new class of treatments for ovarian cancer with DNA repair deficiencies. Future endeavors to define increasingly accurate classification strategies for ovarian cancer subtypes will allow for confident prediction of disease progression and provide important insight into potentially targetable molecular mechanisms specific to each subtype.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,132
Tête enseignante GPT0,382
Écart entre enseignants0,250 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations51
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBiology of ReproductionMême sujetOvarian cancer diagnosis and treatmentTravaux en français237 207