Abstract PO-071: Characterizing transcriptomic indicators of radiosensitivity in cancer and identifying sensitizing therapeutic agents
Notice bibliographique
Résumé
Abstract While radiation therapy is an integral method for cancer treatment, clinical choices are not currently informed by the genetic and molecular profile of a patient’s tumor. Though it has been shown that genetic features implicate variability, the exact relationship between these features and radiosensitivity is poorly understood. Our work focuses on predicting radiosensitivity of squamous cell carcinoma from molecular features. First, we employ RadioGx, a computational platform for integrative analysis of radiogenomic datasets, to identify a gene expression signature predictive of radiosensitivity. To mitigate the high-dimensionality of gene expression data, we employ pathway-level transcriptomic modeling methods to identify cellular programs associated with radiation sensitivity. Our pancancer radiosensitivity model achieves a Pearson’s correlation of 0.47 with measured radiosensitivity from a radiogenomic dataset using only high level transcriptomic features. Second, we use that gene expression signature to query the Connectivity Map via the PharmacoGx resource and identify candidate radiosensitizers - compounds that may induce the radiosensitivity signature. Further validation is necessary to evaluate the efficacy of these compounds at improving radiosensitivity in both model systems and patient contexts. These results implicate cellular processes in radiosensitivity and advance an approach for identifying radiosensitizing agents through integration of large scale datasets. Citation Format: Ian Smith, Rachel Bell, Meghan Lambie, Benjamin Haibe-Kains, Scott Bratman. Characterizing transcriptomic indicators of radiosensitivity in cancer and identifying sensitizing therapeutic agents [abstract]. In: Proceedings of the AACR Virtual Special Conference on Radiation Science and Medicine; 2021 Mar 2-3. Philadelphia (PA): AACR; Clin Cancer Res 2021;27(8_Suppl):Abstract nr PO-071.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,003 | 0,001 |
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 ».