A Uniform Computational Approach Improved on Existing Pipelines to Reveal Microbiome Biomarkers of Nonresponse to Immune Checkpoint Inhibitors
Notice bibliographique
Résumé
Abstract Purpose: While immune checkpoint inhibitors (ICI) have revolutionized the treatment of cancer by producing durable antitumor responses, only 10%–30% of treated patients respond and the ability to predict clinical benefit remains elusive. Several studies, small in size and using variable analytic methods, suggest the gut microbiome may be a novel, modifiable biomarker for tumor response rates, but the specific bacteria or bacterial communities putatively impacting ICI responses have been inconsistent across the studied populations. Experimental Design: We have reanalyzed the available raw 16S rRNA amplicon and metagenomic sequencing data across five recently published ICI studies (n = 303 unique patients) using a uniform computational approach. Results: Herein, we identify novel bacterial signals associated with clinical responders (R) or nonresponders (NR) and develop an integrated microbiome prediction index. Unexpectedly, the NR-associated integrated index shows the strongest and most consistent signal using a random effects model and in a sensitivity and specificity analysis (P < 0.01). We subsequently tested the integrated index using validation cohorts across three distinct and diverse cancers (n = 105). Conclusions: Our analysis highlights the development of biomarkers for nonresponse, rather than response, in predicting ICI outcomes and suggests a new approach to identify patients who would benefit from microbiome-based interventions to improve response rates.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».