Candidate Markers of Olaparib Response from Genomic Data Analyses of Human Cancer Cell Lines
Notice bibliographique
Résumé
The benefit of PARP inhibitor olaparib in relapsed and advanced high-grade serous ovarian carcinoma (HGSOC) is well established especially in BRCA1/2 mutation carriers. Identification of additional biomarkers can help expand the population of patients most likely to benefit from olaparib treatment. To identify candidate markers of olaparib response we analyzed genomic and in vitro olaparib response data from two independent groups of cancer cell lines. Using pan-cancer cell lines (n = 896) from the Genomics of Drug Sensitivity in Cancer database, we applied linear regression methods to identify statistically significant gene predictors of olaparib response based on mRNA expression. We then analyzed whole exome sequencing and mRNA gene expression data from our collection of 18 HGSOC cell lines previously classified as sensitive, intermediate, or resistant based on in vitro olaparib response for mutations, copy number variation and differential expression of candidate olaparib response genes. We identify genes previously associated with olaparib response (SLFN11, ABCB1), and discover novel candidate olaparib sensitivity genes with known functions including interaction with PARP1 (PUM3, EEF1A1) and involvement in homologous recombination DNA repair (ELP4). Further investigations at experimental and clinical levels are required to validate novel candidates, and ultimately determine their efficacy as potential biomarkers of olaparib sensitivity.
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 | 0,001 | 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) | 0,001 | 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 ».