Abstract IA-17: Plumbing the depths of the non-coding cancer genome
Notice bibliographique
Résumé
Abstract Cancer is driven by genomic mutations that alter common pathways that regulate cell growth and interaction with the microenvironment. More than 20,000 cancer genomes have been sequenced over the past decade, revealing multiple insights into the causes, evolution and consequences of cancer. However, almost everything we know about the cancer genome has been obtained using exome sequencing, which surveys the 2% of the genome that encodes protein coding genes. The 98% of the genome that is ignored by exome sequencing is the "dark matter" of the cancer genome and was until recently largely unexplored. In this talk, I will discuss highlights from the recently-published Pan-Cancer of Whole Genomes project (https://www.nature.com/articles/s41586-020-1969-6), in which an international team of researchers performed a comprehensive analysis of over 2,600 whole cancer genomes and matched normals, revealing new insights into origins, mechanisms and evolution of tumours. I'll also talk about how machine-learning techniques contributed to the Pan-Cancer project, including the development of an "electronic pathologist" that uses deep learning to accurately identify the tissue origins of tumours based on whole genome sequencing data. Citation Format: Lincoln D. Stein. Plumbing the depths of the non-coding cancer genome [abstract]. In: Proceedings of the AACR Virtual Special Conference on Artificial Intelligence, Diagnosis, and Imaging; 2021 Jan 13-14. Philadelphia (PA): AACR; Clin Cancer Res 2021;27(5_Suppl):Abstract nr IA-17.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,007 |
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 ».