Histology‐based molecular profiling improves mutation detection for advanced thyroid cancer
Notice bibliographique
Résumé
Advanced cancers frequently show histologic and molecular intratumoral heterogeneity. Therefore, we comprehensively characterized advanced, metastatic, radioiodine-resistant (RAIR) thyroid carcinomas at the molecular level in the context of histologic heterogeneity with the aim to identify potentially actionable mutations that may guide the use of specific tyrosine kinase inhibitor (TKI) treatment. Whole exome sequencing (WES) was applied to 29 macrodissected tissue samples of histologically heterogeneous and homogeneous areas, lymph node and lung metastases from six clinically and histologically well-characterized metastatic RAIR thyroid cancer patients with structural incomplete response to treatment. WES data were analyzed to identify potential driver mutations in oncogenic pathways, copy number alterations, microsatellite instability, mutant-allele tumor heterogeneity, and the relevance of histologic heterogeneity to molecular profiling. In addition to known driver mutations in BRAF, NRAS, EIF1AX, NCOA4-RET, and TERT, further potentially actionable drivers were identified in AKT1, ATM, E2F1, HTR2A, and MLH3. The analysis of the evolutionary history of the mutations and the reconstruction of the molecular phylogeny of the cancers show a remarkable association between histologic and molecular heterogeneity. A comprehensive molecular analysis of the primary tumor guided by histologic analysis may help to better stratify patients for precision medicine approaches. Given the association between the molecular and the histologic heterogeneity, the selection of tumor samples for molecular analysis should be based on meticulous histologic evaluation of the entire tumor.
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 | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».