The TRAR gene classifier to predict response to neoadjuvant therapy in HER2‐positive and ER‐positive breast cancer patients: an explorative analysis from the NeoSphere trial
Notice bibliographique
Résumé
As most erb-b2 receptor tyrosine kinase 2 (HER2)-positive breast cancer (BC) patients currently receive dual HER2-targeting added to neoadjuvant chemotherapy, improved methods for identifying individual response, and assisting postsurgical salvage therapy, are needed. Herein, we evaluated the 41-gene classifier trastuzumab advantage risk model (TRAR) as a predictive marker for patients enrolled in the NeoSphere trial. TRAR scores were computed from RNA of 350 pre- and 166 post-treatment tumor specimens. Overall, TRAR score was significantly associated with pathological complete response (pCR) rate independently of other predictive clinico-pathological variables. Separate analyses according to estrogen receptor (ER) status showed a significant association between TRAR score and pCR in ER-positive specimens but not in ER-negative counterparts. Among ER-positive BC patients not achieving a pCR, those with TRAR-low scores in surgical specimens showed a trend for lower distant event-free survival. In conclusion, in HER2-positive/ER-positive BC, TRAR is an independent predictor of pCR and represents a promising tool to select patients responsive to anti-HER2-based neoadjuvant therapy and to assist treatment escalation and de-escalation strategies in this setting.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 ».