Next-generation sequencing for the management of sarcomas with no known driver mutations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE OF REVIEW: Next-generation sequencing (NGS) has enabled fast, high-throughput nucleotide sequencing and has begun to be implemented into clinical practice for genomic-guided precision medicine in various cancer types. This review will discuss recent evidence that highlights opportunities for NGS to improve outcomes in sarcomas that have complex genomic profiles with no known driver mutations. RECENT FINDINGS: Global genomic signatures detectable by NGS including tumour mutational burden and microsatellite instability have potential as biomarkers for response to immunotherapy in certain sarcoma subtypes including angiosarcomas. Identification of hallmarks associated with 'BRCAness' and homologous recombination repair defects in leiomyosarcomas and osteosarcomas may predict sensitivity to poly(adenosine diphosphate-ribose) polymerase (PARP) inhibitors. Lastly, the use of NGS for evaluating cancer predisposition in sarcomas may be useful for early detection, screening and surveillance. SUMMARY: Currently, the implementation of NGS for every sarcoma patient is not practical or useful. However, adopting NGS as a complementary approach in sarcomas with complex genomics and those with limited treatment options has the potential to deliver precision medicine to a subgroup of patients, with novel therapies such as immune checkpoint and PARP inhibitors. Moving forward, molecular tumour boards incorporating multidisciplinary teams of pathologists, oncologists and genomic specialists to interpret NGS data will complement existing tools in diagnosis and treatment decision making in sarcoma patients.
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.
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) | 0,001 | 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 découle