Standard therapy‑resistant small cell lung cancer showing dynamic transition of neuroendocrine fate during the cancer trajectory: A case report
Notice bibliographique
Résumé
While small cell lung cancer (SCLC) has been treated as a single disease historically, recent studies have suggested that SCLC can be classified into molecular subtypes based on the expression of lineage transcription factors such as achaete-scute homolog 1 (ASCL1), neurogenic differentiation factor 1 (NEUROD1), POU domain class 2 transcription factor 3 (POU2F3) and transcriptional coactivator YAP1 (YAP1). These transcription factor-based subtypes may be specifically targeted in therapy, and recent studies have suggested that the SCLC subtypes represent different stages of dynamic evolution of SCLC rather than independent diseases. Nevertheless, evidence of shift in neuroendocrine differentiation during SCLC evolution has been lacking in the clinical setting. In the present study, a 60-year-old male was diagnosed with extensive SCLC. The tumor responded not to the standard SCLC regimen of carboplatin, etoposide and atezolizumab, but to the non-SCLC regimen of carboplatin, nab-paclitaxel and pembrolizumab. The patient succumbed 5 months after the initial diagnosis and a pathological autopsy was performed. The tumor was originally negative for all four transcription factors, ASCL1, NEUROD1, POU2F3 and YAP1, in the biopsy specimens at diagnosis. Loss of synaptophysin expression and emergence of Myc proto-oncogene protein and YAP1 expression was recorded in the autopsy specimens, suggesting the transition to a decreased neuroendocrine fate during the disease trajectory. This case provides clinical evidence of dynamic transition of neuroendocrine fate during SCLC evolution. In light of SCLC heterogeneity and plasticity, development of precision medicine is required.
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) | 0,001 | 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 ».