Abstract A44: Comparative gene expression analysis for identification and prioritization of therapeutic targets in a cohort of childhood cancers
Notice bibliographique
Résumé
Abstract Here we describe the utility of comparative RNA sequencing (RNA-seq) analysis in identifying cancer driver pathways and relevant therapeutics in childhood cancer, and we introduce a novel system for prioritizing gene targets based on analytical and published evidence. The purpose of our study was to evaluate the clinical utility of comparative N-of-1 gene expression analysis in identifying therapeutic options for pediatric patients with relapsed or recurrent cancers. The comparative analysis framework and large cancer background cohorts were developed at the Treehouse Childhood Cancer Initiative at UC Santa Cruz. We employed this analysis in a pilot study of 26 patients at the Lucile Packard Children’s Hospital. We analyzed RNA-seq data from 30 biopsied samples from 26 patient donors, including 16 sarcomas, 5 CNS tumors, 3 hematopoietic cancers, 1 liver, and 1 colon cancer. We compared gene expression from each child’s tumor biopsy to a background cohort of RNA-seq data from over 11,000 cancer patients, and also to a smaller cohort defined by molecular and histopathologic similarity to the child’s tumor biopsy. This comparison yielded outlier gene activations in the child’s biopsy compared to those in the background cohorts, reflecting cancer driver pathways in the child’s tumor that are actionable. We stratified each of the resulting therapeutic leads into 5 baskets: RTK activation, JAK/STAT signaling, PI3K/AKT/mTOR signaling, Cell Cycle activation, or Other. Because 27 of the 30 samples had more than one lead, we developed a novel scoring system to prioritize each sample’s therapeutic gene targets based on the analytical strength of the gene expression analysis result, and on published literature evidence for each gene as a biomarker indicative of drug response. We presented the results of our analysis in genomic consensus meetings at Stanford and surveyed the responses of clinicians and families on the utility of our analysis for treatment decisions. Here we report our experience with the method and highlight case studies in which this analysis informed treatment decisions. Citation Format: Lauren M. Sanders, A. Geoffrey Lyle, Holly C. Beale, Ellen Towle Kephart, Katrina Learned, Jennifer Peralez, Norman Lacayo, Arun Rangaswami, Sheri L. Spunt, Isabel Bjork, David Haussler, Sofie R. Salama, Olena M. Vaske. Comparative gene expression analysis for identification and prioritization of therapeutic targets in a cohort of childhood cancers [abstract]. In: Proceedings of the AACR Special Conference on the Advances in Pediatric Cancer Research; 2019 Sep 17-20; Montreal, QC, Canada. Philadelphia (PA): AACR; Cancer Res 2020;80(14 Suppl):Abstract nr A44.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».