MétaCan
Menu
Retour à la cohorte
Enregistrement W3010538789 · doi:10.3389/fimmu.2020.00369

Relationships Between Immune Landscapes, Genetic Subtypes and Responses to Immunotherapy in Colorectal Cancer

2020· review· en· W3010538789 sur OpenAlexafffund
Émilie Picard, Chris P. Verschoor, W Kitonyi Grace, Graham Pawelec

Notice bibliographique

RevueFrontiers in Immunology · 2020
Typereview
Langueen
DomaineMedicine
ThématiqueCancer Immunotherapy and Biomarkers
Établissements canadiensHealth Sciences North
Organismes subventionnairesNorthern Ontario Academic Medicine Association
Mots-clésMicrosatellite instabilityNivolumabPembrolizumabDNA mismatch repairImmune checkpointImmunotherapyImmune systemColorectal cancerBlockadeMedicineCancer researchTumor-infiltrating lymphocytesImmunologyCancerBiologyInternal medicineGeneticsMicrosatelliteReceptorGene

Résumé

récupéré en direct d'OpenAlex

Colorectal cancer (CRC) is highly heterogeneous at the genetic and molecular level, which has major repercussions on the efficacy of immunotherapy. A small subset of CRCs exhibit microsatellite instability (MSI), a molecular indicator of defective DNA mismatch repair (MMR), but the majority are microsatellite-stable (MSS). The high tumor mutational burden (TMB) and neoantigen load in MSI tumors favors the infiltration of immune effector cells, and antitumor immune responses within these tumors are strong relative to their MSS counterparts. MSI has emerged as a major predictive marker for the efficacy of immune checkpoint blockade over the last few years and nivolumab or pembrolizumab targeting PD-1 has been approved for patients with MSI refractory or metastatic CRC. However, some MSS tumors show DNA polymerase epsilon (POLE) mutations that also confer a very high TMB and may also be heavily infiltrated by immune cells making them amenable to respond to immune checkpoint inhibitors (ICI). In this review we discuss the role of the different immune landscapes in CRC and their relationships with defined CRC genetic subtypes. We discuss potential reasons why immune checkpoint blockade has met with limited success for the majority of CRC patients, despite the finding that immune cell infiltration of primary non-metastatic tumors is a strong predictive, and prognostic factor for relapse and survival. We then consider in which ways CRC cells develop mechanisms to resist ICI. Finally, we address the latest advances in CRC vaccination and how a personalized neoantigen vaccine strategy might overcome the resistance of MSI and MSS tumors in patients for whom immune checkpoint blockade is not a treatment option.

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)0,000
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 enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

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

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.

Tête enseignante Opus0,032
Tête enseignante GPT0,312
Écart entre enseignants0,280 · 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

Citations561
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFrontiers in ImmunologyMême sujetCancer Immunotherapy and BiomarkersTravaux en français237 207