Integrative Profiling of T790M-Negative EGFR-Mutated NSCLC Reveals Pervasive Lineage Transition and Therapeutic Opportunities
Notice bibliographique
Résumé
Abstract Purpose: Despite the established role of EGFR tyrosine kinase inhibitors (TKIs) in EGFR-mutated NSCLC, drug resistance inevitably ensues, with a paucity of treatment options especially in EGFRT790M-negative resistance. Experimental Design: We performed whole-exome and transcriptome analysis of 59 patients with first- and second-generation EGFR TKI-resistant metastatic EGFR-mutated NSCLC to characterize and compare molecular alterations mediating resistance in T790M-positive (T790M+) and -negative (T790M−) disease. Results: Transcriptomic analysis revealed ubiquitous loss of adenocarcinoma lineage gene expression in T790M− tumors, orthogonally validated using multiplex IHC. There was enrichment of genomic features such as TP53 alterations, 3q chromosomal amplifications, whole-genome doubling and nonaging mutational signatures in T790M− tumors. Almost half of resistant tumors were further classified as immunehot, with clinical outcomes conditional on immune cell-infiltration state and T790M status. Finally, using a Bayesian statistical approach, we explored how T790M− and T790M+ disease might be predicted using comprehensive genomic and transcriptomic profiles of treatment-naïve patients. Conclusions: Our results illustrate the interplay between genetic alterations, cell lineage plasticity, and immune microenvironment in shaping divergent TKI resistance and outcome trajectories in EGFR-mutated NSCLC. Genomic and transcriptomic profiling may facilitate the design of bespoke therapeutic approaches tailored to a tumor's adaptive potential.
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 | 0,000 |
| 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) | 0,001 | 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 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 ».