Transcriptional Subtypes Resolve Tumor Heterogeneity and Identify Vulnerabilities to MEK Inhibition in Lung Adenocarcinoma
Notice bibliographique
Résumé
Abstract Purpose: Lung adenocarcinomas comprise the largest fraction of non–small cell lung cancer, which is the leading cause of cancer-related deaths. Seventy-five percent of adenocarcinomas lack targeted therapies because of scarcity of druggable drivers. Here, we classified tumors on the basis of signaling similarities and discovered subgroups within this unmet patient population. Experimental Design: We leveraged transcriptional data from >800 early- and advanced-stage patients. Results: We identified three robust subtypes dubbed mucinous, proliferative, and mesenchymal with respective pathway phenotypes. These transcriptional states lack discrete and causative mutational etiology as evidenced by similarly distributed oncogenic drivers, including KRAS and EGFR. The subtypes capture heterogeneity even among tumors lacking known oncogenic drivers. Paired multi-regional intratumoral biopsies demonstrated unified subtypes despite divergently evolved prooncogenic mutations, indicating subtype stability during selective pressure. Heterogeneity among in vitro and in vivo preclinical models is expounded by the human lung adenocarcinoma subtypes and can be leveraged to discover subtype-specific vulnerabilities. As proof of concept, we identified differential subtype response to MEK pathway inhibition in a chemical library screen of 89 lung cancer cell lines, which reproduces across model systems and a clinical trial. Conclusions: Our findings support forward translational relevance of transcriptional subtypes, where further exploration therein may improve lung adenocarcinoma treatment. See related commentary by Skoulidis, p. 913
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».