Best Practices for Spatial Profiling for Breast Cancer Research with the GeoMx® Digital Spatial Profiler
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.
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 | 0,021 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,022 |
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 ».