IMMU-14. COMPUTATIONAL DECONVOLUTION OF TUMOR-INFILTRATING IMMUNE COMPONENTS IN PEDIATRIC NERVOUS SYSTEM TUMORS
Notice bibliographique
Résumé
Abstract Introduction In the last decade, checkpoint inhibitor-based immunotherapy has been a groundbreaking development in the treatment of cancer. However, only a subset of patients treated with immune checkpoint inhibitors show long-lasting clinical benefit. Studies showed the tumor immune microenvironment (TME) as a particularly important factor influencing treatment response, critical for the design of other or combinatorial immunotherapy treatment strategies. Extensive research has been performed in the adult cancer field to unravel its immunogenomic aspects. However, in pediatric cancer this insight into tumor-infiltrating immune components is still lacking. This study aims to provide insight into the landscape of the immune microenvironment in pediatric primary nervous system tumors. Methods Bulk RNA-seq data of 936 pediatric primary solid tumors acquired from multiple international initiatives including Therapeutically Applicable Research To Generate Effective Treatments (TARGET), the International Cancer Genome Consortium (ICGC) and the Children’s Brain Tumor Tissue Consortium (CBTTC) were included in this study. We applied computational tumor immune microenvironment deconvolution, repurposed RNA-seq data to recover infiltrating T- and B-cell clonotypes and studied checkpoint gene expression across pediatric neural tumors. Results Among pediatric neural tumors, embryonal tumors with multilayered rosettes (ETMR) and medulloblastomas (MB) were least immune infiltrated. Neuroblastomas (NBL) had the highest T-cell infiltration among pediatric cancers, while atypical teratoid/rhabdoid tumors (ATRT) had the highest levels of CD8 T cell infiltration among pediatric CNS tumors. While tumor mutational burden (TMB) was associated with immune cell infiltration in adult lung cancers and melanomas, we found no significant associations in pediatric cancers. The majority of NBL samples expressed LAG3, but ~10% of samples had elevated levels of TIM3 gene expression, suggesting a distinct mode of immunosuppression in this subset.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».