Tumor Subtyping: Making Sense of Heterogeneity with a Goal Toward Treatment
Notice bibliographique
Résumé
BACKGROUND: Bladder cancers have high total mutation burdens resulting in genomic diversity and intra- and inter-tumor heterogeneity that may impact the diversity of gene expression, biologic aggressiveness, and potentially response to therapy. To compare bladder cancers among patients, an organizational structure is necessary that describes the tumor at the histologic and molecular level. These "molecular subtypes", or "expression subtypes" of bladder cancer were originally described in 2010 and continue to evolve secondary to next generation sequencing (NGS) and an increasing public repository of well-annotated cohorts. OBJECTIVE: To review the history and methodology of expression-based subtyping of non-muscle invasive (NMIBC) and muscle invasive bladder cancer (MIBC). METHODS: A literature review was performed of primary papers from PubMed that described subtyping methods and their descriptive feature including search terms of "subtype", and "bladder cancer". RESULTS: 21 papers were identified for review. Tumor subtyping developed from N = 2 to N = 6 subtyping schemes with most subtypes comprised of at least luminal and basal tumors. Most NMIBCs are luminal cancers and luminal MIBCs may be associated with less aggressive features, while one study of basal tumors identified a better clinical outcome with systemic chemotherapy. Tumors with a P53-like may have intrinsic resistance to chemotherapy. The heterogeneity of tumors, which is likely derived from stromal components and immune cell infiltration, affect subtype calls. CONCLUSION: Subtyping, while still evolving, is ready for testing in clinical trials. Improved patient selection with tumor subtyping may help with tumor classification and potentially match patient or tumor to therapy.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».