Relationships between highly recurrent tumor suppressor alterations in 489 leiomyosarcomas
Notice bibliographique
Résumé
BACKGROUND: Leiomyosarcoma (LMS) is the most common soft tissue and uterine sarcoma, but no standard therapy is available for recurrent or metastatic LMS. TP53, p16/RB1, and PI3K/mTOR pathway dysregulations are recurrent events, and some LMS express estrogen receptor (ER) and/or progesterone receptor (PR). To characterize relationships between these pathway perturbations, the authors evaluated protein expression in soft tissue and uterine nonprimary leiomyosarcoma (np-LMS), including local recurrences and distant metastases. METHODS: TP53, RB1, p16, and PTEN expression aberrations were determined by immunohistochemistry (IHC) in tissue microarrays (TMAs) from 227 np-LMS and a comparison group of 262 primary leiomyosarcomas (p-LMS). Thirty-five of the np-LMS had a matched p-LMS specimen in the TMAs. Correlative studies included differentiation scoring, ER and PR IHC, and CDKN2A/p16 fluorescence in situ hybridization. RESULTS: Dysregulation of TP53, p16/RB1, and PTEN was demonstrated in 90%, 95%, and 41% of np-LMS, respectively. PTEN inactivation was more common in soft tissue np-LMS than uterine np-LMS (55% vs 31%; P = .0005). Moderate-strong ER expression was more common in uterine np-LMS than soft tissue np-LMS (50% vs 7%; P < .0001). Co-inactivation of TP53 and RB1 was found in 81% of np-LMS and was common in both soft tissue and uterine np-LMS (90% and 74%, respectively). RB1, p16, and PTEN aberrations were nearly always conserved in p-LMS and np-LMS from the same patients. CONCLUSIONS: These studies show that nearly all np-LMS have TP53 and/or RB1 aberrations. Therefore, therapies targeting cell cycle and DNA damage checkpoint vulnerabilities should be prioritized for evaluations in LMS.
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 ».