MétaCan
Menu
← Retour à la cohorte
Enregistrement W3028721226 · doi:10.1200/jco.2020.38.15_suppl.e22015

Multiomics profiling of longitudinal melanoma specimens unravels molecular mechanisms of resistance to sequential targeted and cancer immunotherapies.

2020· article· en· W3028721226 sur OpenAlexaff
Jin‐Ho Lee, Marilyne Labrie, Gen Yong, Todd Camp, Hongli Ma, Megan E. Grout, Wei Xu, Georgia M. Beasley, Lynn M. Schuchter, Suzanne McGettigan, Donald M. O’Rourke, Meenhard Herlyn, Christopher L. Corless, Gordon B. Mills, Gao Zhang

Notice bibliographique

RevueJournal of Clinical Oncology · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueNanoplatforms for cancer theranostics
Établissements canadiensInstitut National de la Recherche Scientifique
Organismes subventionnairesnon disponible
Mots-clésMedicineTrametinibDabrafenibImmune checkpointCancer researchMelanomaMEK inhibitorNivolumabNeuroblastoma RAS viral oncogene homologIpilimumabTumor microenvironmentTargeted therapyVemurafenibOncologyKRASImmunotherapyImmune systemImmunologyCancerInternal medicineSignal transductionMetastatic melanomaMAPK/ERK pathwayBiologyColorectal cancer

Résumé

récupéré en direct d'OpenAlex

e22015 Background: We evaluated spatially-resolved protein profiling of longitudinal tumor specimens derived from two patients with metastatic melanoma who progressed on sequential therapies including targeted therapy (TT) and immune checkpoint blockade (ICB) therapy targeting T cell-surface antigens (CTLA-4 and PD-1). The purpose of this study was to identify molecular determinants of resistance to sequential TT and ICB therapies. Methods: We performed multiplexed and multidimensional spatial protein profiling using NanoString’s GeoMx Digital Spatial Profiling (DSP) platform and single-cell level imaging analysis with Cyclic Immunofluorescence (CycIF) to simultaneously determine dynamic changes in tumor intrinsic signaling pathways and immune response in the tumor microenvironment (TME). Results: The first patient presented with a BRAFV600E-positive brain metastasis. This patient was sequentially treated with ipilimumab (Ipi), the combination of dabrafenib and trametinib, and pembrolizumab (Pembro) and progressed despite of high expression of CD56 NK cell after all treatments. In addition, CycIF analysis revealed drug resistance in a subpopulation of cells that had continued activation of mTOR (pS6) and EGFR pathways. The second patient presented with dermal metastases on the flank with NRASQ61K mutation. This patient was sequentially treated with Pembo, Talimogene Laherparepvec, the combination of Ipi plus nivolumab, and two different investigational agents combined with Pembro. This patient displayed stable disease (SD) on Pembro but eventually progressed on the subsequent therapies. DSP analysis demonstrated CD68/CD40 myeloid cell infiltrates as well as HLA-DR and CD44 in the TME after the last treatment. CycIF analysis revealed dynamic changes in tumoral characteristics including DNA damage and proliferation during treatment. Furthermore, the analysis suggested that there might be a resistant subpopulation in the last tumor biopsy, which is in line with progression of the disease. Conclusions: In this study, we conducted detailed analyses on serial specimens from two patients to precisely define the spatial distribution of immune responses and cancer signaling pathways. The findings propose that concurrent proteomics analysis and immune monitoring of longitudinal tumor biopsies can be informative in clinical evaluation in order to identify salvage therapies to overcome drug resistance.

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)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,064
Tête enseignante GPT0,362
Écart entre enseignants0,297 · 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'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical Oncology→Même sujetNanoplatforms for cancer theranostics→Travaux en français237 207→