Proteogenomics of Colorectal Cancer Liver Metastases: Complementing Precision Oncology with Phenotypic Data
Notice bibliographique
Résumé
Hotspot testing for activating KRAS mutations is used in precision oncology to select colorectal cancer (CRC) patients who are eligible for anti-EGFR treatment. However, even for KRASwildtype tumors anti-EGFR response rates are <30%, while mutated-KRAS does not entirely rule out response, indicating the need for improved patient stratification. We performed proteogenomic phenotyping of KRASwildtype and KRASG12V CRC liver metastases (mCRC). Among >9000 proteins we detected considerable expression changes including numerous proteins involved in progression and resistance in CRC. We identified peptides representing a number of predicted somatic mutations, including KRASG12V. For eight of these, we developed a multiplexed parallel reaction monitoring (PRM) mass spectrometry assay to precisely quantify the mutated and canonical protein variants. This allowed phenotyping of eight mCRC tumors and six paired healthy tissues, by determining mutation rates on the protein level. Total KRAS expression varied between tumors (0.47–1.01 fmol/µg total protein) and healthy tissues (0.13–0.64 fmol/µg). In KRASG12V-mCRC, G12V-mutation levels were 42–100%, while one patient had only 10% KRASG12V but 90% KRASwildtype. This might represent a missed therapeutic opportunity: based on hotspot sequencing, the patient was excluded from anti-EGFR treatment and instead received chemotherapy, while PRM-based tumor-phenotyping indicates the patient might have benefitted from anti-EGFR therapy.
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 | 0,000 |
| 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 ».