Changes in the Tumor Immune Microenvironment during Disease Progression in Patients with Ovarian Cancer
Notice bibliographique
Résumé
Anti-PD1/PDL1 therapy has proven efficacious against many cancers but only reached modest objective response rates against recurrent ovarian cancer. A deeper understanding of the tumor microenvironment (TME) may reveal other immunosuppressive mechanisms that warrant investigation as immunotherapeutic targets for this challenging disease. Matched primary and recurrent tumors from patients with high-grade serous ovarian carcinoma (HGSC) were analyzed by multicolor immunohistochemistry/immunofluorescence for the presence of T cells, B cells, macrophages, and for the expression of immunosuppressive and HLA molecules. Cancer- and immune-related gene expression was assessed by NanoString analysis. Recurrent tumors showed increased infiltration by immune cells, displayed higher expression of PDL1, IDO, and HLA molecules, and contained more stromal tissue. NanoString analysis demonstrated increased expression of gene signatures related to chemokines and T cell functions in recurrent tumors. The ovarian tumors showed high gene expression of LAG3 and HAVCR2 (TIM3) and enhanced levels of TIGIT and CTLA4 in recurrent tumors compared to primary tumors. The majority of HGSC developed into a more inflamed phenotype during progression from primary to recurrent disease, including indications of adaptive immune resistance. This suggests that recurrent tumors may be particularly sensitive to inhibition of adaptive immune resistance mechanisms.
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 | 0,000 | 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) | 0,001 | 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 ».