Detecting Neuroendocrine Prostate Cancer Through Tissue-Informed Cell-Free DNA Methylation Analysis
Notice bibliographique
Résumé
PURPOSE: Neuroendocrine prostate cancer (NEPC) is a resistance phenotype that emerges in men with metastatic castration-resistant prostate adenocarcinoma (CR-PRAD) and has important clinical implications, but is challenging to detect in practice. Herein, we report a novel tissue-informed epigenetic approach to noninvasively detect NEPC. EXPERIMENTAL DESIGN: We first performed methylated immunoprecipitation and high-throughput sequencing (MeDIP-seq) on a training set of tumors, identified differentially methylated regions between NEPC and CR-PRAD, and built a model to predict the presence of NEPC (termed NEPC Risk Score). We then performed MeDIP-seq on cell-free DNA (cfDNA) from two independent cohorts of men with NEPC or CR-PRAD and assessed the accuracy of the model to predict the presence NEPC. RESULTS: The test cohort comprised cfDNA samples from 48 men, 9 with NEPC and 39 with CR-PRAD. NEPC Risk Scores were significantly higher in men with NEPC than CR-PRAD (P = 4.3 × 10-7) and discriminated between NEPC and CR-PRAD with high accuracy (AUROC 0.96). The optimal NEPC Risk Score cutoff demonstrated 100% sensitivity and 90% specificity for detecting NEPC. The independent, multi-institutional validation cohort included cfDNA from 53 men, including 12 with NEPC and 41 with CR-PRAD. NEPC Risk Scores were significantly higher in men with NEPC than CR-PRAD (P = 7.5×10-12) and perfectly discriminated NEPC from CR-PRAD (AUROC 1.0). Applying the predefined NEPC Risk Score cutoff to the validation cohort resulted in 100% sensitivity and 95% specificity for detecting NEPC. CONCLUSIONS: Tissue-informed cfDNA methylation analysis is a promising approach for noninvasive detection of NEPC in men with advanced prostate cancer.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».