Best Practices for Spatial Profiling for Breast Cancer Research with the GeoMx® Digital Spatial Profiler
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
Breast cancer is a heterogenous disease with variability in tumor cells and in the surrounding tumor microenvironment (TME). Understanding the molecular diversity in breast cancer is critical for improving prediction of therapeutic response and prognostication. High-plex spatial profiling of tumors enables characterization of heterogeneity in the breast TME, which can holistically illuminate the biology of tumor growth, dissemination and, ultimately, response to therapy. The GeoMx Digital Spatial Profiler (DSP) enables researchers to spatially resolve and quantify proteins and RNA transcripts from tissue sections. The platform is compatible with both formalin-fixed paraffin-embedded and frozen tissues. RNA profiling was developed at the whole transcriptome level for human and mouse samples and protein profiling of 100-plex for human samples. Tissue can be optically segmented for analysis of regions of interest or cell populations to study biology-directed tissue characterization. The GeoMx Breast Cancer Consortium (GBCC) is composed of breast cancer researchers who are developing innovative approaches for spatial profiling to accelerate biomarker discovery. Here, the GBCC presents best practices for GeoMx profiling to promote the collection of high-quality data, optimization of data analysis and integration of datasets to advance collaboration and meta-analyses. Although the capabilities of the platform are presented in the context of breast cancer research, they can be generalized to a variety of other tumor types that are characterized by high heterogeneity.
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) | 0,000 | 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 découle