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 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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».