The Neoantigen Landscape of Mycosis Fungoides
Notice bibliographique
Résumé
Background: Mycosis fungoides (MF) is the most common cutaneous T-cell lymphoma, for which there is no cure. Immune checkpoint inhibitors have been tried in MF but the results have been inconsistent. To gain insight into the immunogenicity of MF we characterized the neoantigen landscape of this lymphoma, focusing on the known predictors of responses to immunotherapy: the quantity, HLA-binding strength and subclonality of neoantigens. Methods: Whole exome and whole transcriptome sequences were obtained from 24 MF samples (16 plaques, 8 tumors) from 13 patients. Bioinformatic pipelines (Mutect2, OptiType, MuPeXi) were used for mutation calling, HLA typing, and neoantigen prediction. PhyloWGS was used to subdivide malignant cells into stem and clades, to which neoantigens were matched to determine their clonality. Results: MF has a high mutational load (median 3,217 non synonymous mutations), resulting in a significant number of total neoantigens (median 1,309 per sample) and high-affinity neoantigens (median 328). In stage I disease most neoantigens were clonal but with stage progression, 75% of lesions had >50% subclonal antigens and 53% lesions had CSiN scores <1. There was very little overlap in neoantigens across patients or between different lesions on the same patient, indicating a high degree of heterogeneity. Conclusions: The neoantigen landscape of MF is characterized by high neoantigen load and significant subclonality which could indicate potential challenges for immunotherapy in patients with advanced-stage disease.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».