Multi‐omics analysis of tumor mutation burden combined with immune infiltrates in bladder urothelial carcinoma
Notice bibliographique
Résumé
To explore the prognosis of tumor mutation burden (TMB) and underlying relationships with tumor-infiltrating immune cells in bladder cancer (BLCA). Transcriptome profiles and somatic mutation data from The Cancer Genome Atlas database by the GDC tool. A total of 437 samples were included, consisted of 412 BLCA patients and matched 25 normal samples. Specific mutation information was summarized and illustrated in waterfall plot. Higher TMB levels revealed improved overall survival (OS) and lower tumor recurrence. We found 68 differentially expressed genes in two TMB groups and identified eight independent hub TMB-related signature. Pathway analysis suggested that differential TMB-related signature correlated with multiple cancer-related crosstalk, including cell cycle, DNA replication, cellular senescence, and p53 signaling pathway. Besides, the tumor mutation burden related signature (TMBRS) model based on eight signature possessed well predictive value with area under curve (AUC) = 0.753, and patients with higher TMBRS scores showed worse OS outcomes (p < .001). Moreover, we exhibited the inferred immune cell fractions in box plot and differential abundance of immune cells were shown in the heatmap. The Wilcoxon rank-sum test suggested that CD8+ T cell (p = .001) and memory activated CD4+ T cell (p = .004) showed higher infiltrating levels in high-TMB group, while the density of resting mast cells showed lower infiltrating level in high-TMB group (p = .016). Finally, it is significant to note that CD8+ T cell and memory activated CD4+ T cell subsets not only revealed higher infiltrating abundance in high-TMB group but correlated with prolonged OS and lower risk of tumor recurrence, respectively.
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) | 0,001 | 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 | 0,000 |
| 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 ».