Predicting heterogeneity in clone-specific therapeutic vulnerabilities using single-cell transcriptomic signatures
Notice bibliographique
Résumé
Summary While understanding heterogeneity in molecular signatures across patients underpins precision oncology, there is increasing appreciation for taking intra-tumor heterogeneity into account. Single-cell RNA-seq (scRNA-seq) technologies have facilitated investigations into the role of intra-tumor transcriptomic heterogeneity (ITTH) in tumor biology and evolution, but their application to in silico models of drug response has not been explored. Based on large-scale analysis of cancer omics datasets, we highlight the utility of ITTH for predicting clinical outcomes. We then show that heterogeneous gene expression signatures obtained from scRNA-seq data can be accurately analyzed (80%) in a recommender system framework (CaDRReS-Sc) for in silico drug response prediction. Patient-derived cell lines capturing transcriptomic heterogeneity from primary and metastatic tumors were used as in vitro proxies for validating monotherapy predictions (Pearson r>0.6), as well as optimal drug combinations to target different subclonal populations (>10% improvement). Applying CaDRReS-Sc to the increasing number of publicly available tumor scRNA-seq datasets can serve as an in silico screen for further in vitro and in vivo drug repurposing studies. Graphical abstract Highlights Large-scale analysis to establish the impact of transcriptomic heterogeneity within tumors on clinical outcomes Calibrated recommender system for drug response prediction based on single-cell RNA-seq data (CaDRReS-Sc) Prediction of drug response in patient-derived cell lines with transcriptomic heterogeneity In silico identification of drug combinations that work based on clonal vulnerabilities
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».