OMRT-8. Precision targeting of cellular pathways with complementary diagnostics
Notice bibliographique
Résumé
Abstract Precision medicine tailors treatment for each patient by identifying the molecular drivers of their disease. This can allow more effective tumour targeting, avoid harmful standard chemotherapeutic side-effects, and offer savings to the healthcare system through not treating patients who are unlikely to respond to a specific agent. Treatment regimes are usually designed by identifying DNA-level alterations and selecting drugs tailored to that mutation. However, cancer is not a one-pathway disease and not all patients with particular mutations will respond to treatment, while patients without canonical pathway-activating mutations are excluded from potentially life-saving treatment. To address this, we have developed a NanoString assay combining proteomic and transcriptomic profiles of 4 key actionable, cancer-related pathways (MAPK, PI3K, NFκB and JAK/STAT). We used RNA-Seq data from gold standard cell lines with defined pathway changes to identify minimal gene sets indicative of pathway activation, and integrated them with phospho protein measurements to generate a pathway activation score. The combined panel was run on isogenic cell lines as well as glioma samples with both known and unknown driving alterations. We found pathway activation to be more variable than expected based on DNA alterations alone, implying that consideration of proteomic and/or transcriptomic-level information is important for future therapeutic decision-making.
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 ».