Profiling non-small cell lung cancer reveals that PD-L1 is associated with wild type EGFR and vascular invasion, and immunohistochemistry quantification of PD-L1 correlates weakly with RT-qPCR
Notice bibliographique
Résumé
Most lung cancer patients are diagnosed at an advanced stage, limiting their treatment options with very low response rate. Lung cancer is the most common cause of cancer death worldwide. Therapies that target driver gene mutations (e.g. EGFR, ALK, ROS1) and checkpoint inhibitors such anti-PD-1 and PD-L1 immunotherapies are being used to treat lung cancer patients. Identification of correlations between driver mutations and PD-L1 expression will allow for the best management of patient treatment. 851 cases of non-small cell lung cancer cases were profiled for the presence of biomarkers EGFR, KRAS, BRAF, and PIK3CA mutations by SNaPshot/sizing genotyping. Immunohistochemistry was used to identify the protein expression of ALK and PD-L1. Total PD-L1 mRNA expression (from unsorted tumor samples) was quantified by RT-qPCR in a sub-group of the cohort to assess its correlation with PD-L1 protein level in tumor cells. Statistical analysis revealed correlations between the presence of the mutations, PD-L1 expression, and the pathological data. Specifically, increased PD-L1 expression was associated with wildtype EGFR and vascular invasion, and total PD-L1 mRNA levels correlated weakly with protein expression on tumor cells. These data provide insights into driver gene mutations and immune checkpoint status in relation to lung cancer subtypes and suggest that RT-qPCR is useful for assessing PD-L1 levels.
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 | 0,001 | 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) | 0,002 | 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 ».