MétaCan
Menu
Retour à la cohorte
Enregistrement W3203678481 · doi:10.1002/cjp2.241

Characterizing the tumor microenvironment in rare renal cancer histological types

2021· article· en· W3203678481 sur OpenAlex
Naoise C. Synnott, Maria Luana Poeta, Manuela Costantini, Ruth M. Pfeiffer, Mengying Li, Yelena Golubeva, Scott M. Lawrence, Karun Mutreja, Carla Azzurra Amoreo, Małgorzata Dąbrowska, Giuseppe Simone, Edoardo Pescarmona, Petra H. Lenz, Mary E. Olanich, Máire A. Duggan, Mustapha Abubakar, Vito Michele Fazio, Michele Gallucci, Steno Sentinelli, Maria Teresa Landi

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueThe Journal of Pathology Clinical Research · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueCancer Immunotherapy and Biomarkers
Établissements canadiensUniversity of Calgary
Organismes subventionnairesNational Cancer Institute
Mots-clésCD68CD20PathologyImmunohistochemistryTumor microenvironmentMedicineStromal cellImmune systemCancerBiologyInternal medicineImmunology

Résumé

récupéré en direct d'OpenAlex

The tumor microenvironment (TME), including immune cells, cancer-associated fibroblasts, endothelial cells, adjacent normal cells, and others, plays a crucial role in influencing tumor behavior and progression. Here, we characterized the TME in 83 primary renal tumors and matched metastatic or recurrence tissue samples (n = 15) from papillary renal cell carcinoma (pRCC) types 1 (n = 20) and 2 (n = 49), collecting duct carcinomas (CDC; n = 14), and high-grade urothelial carcinomas (HGUC; n = 5). We investigated 10 different markers of immune infiltration, vasculature, cell proliferation, and epithelial-to-mesenchymal transition by using machine learning image analysis in conjunction with immunohistochemistry. Marker expression was compared by Mann-Whitney and Kruskal-Wallis tests and correlations across markers using Spearman's rank correlation coefficient. Multivariable Poisson regression analysis was used to compare marker expression between histological types, while accounting for variation in tissue size. Several immune markers showed different rates of expression across histological types of renal carcinoma. Using pRCC1 as reference, the incidence rate ratio (IRR) of CD3+ T cells (IRR [95% confidence interval, CI] = 2.48 [1.53-4.01]) and CD20+ B cells (IRR [95% CI] = 4.38 [1.22-5.58]) was statistically significantly higher in CDC. In contrast, CD68+ macrophages predominated in pRCC1 (IRR [95% CI] = 2.35 [1.42-3.9]). Spatial analysis revealed CD3+ T-cell and CD20+ B-cell expressions in CDC to be higher at the proximal (p < 0.0001) and distal (p < 0.0001) tumor periphery than within the central tumor core. In contrast, expression of CD68+ macrophages in pRCC2 was higher in the tumor center compared to the proximal (p = 0.0451) tumor periphery and pRCC1 showed a distance-dependent reduction, from the central tumor, in CD68+ macrophages with the lowest expression of CD68 marker at the distal tumor periphery (p = 0.004). This study provides novel insights into the TME of rare kidney cancer types, which are often understudied. Our findings of differences in marker expression and localization by histological subtype could have implications for tumor progression and response to immunotherapies or other targeted therapies.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,789
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0100,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,189
Tête enseignante GPT0,477
Écart entre enseignants0,288 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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