MétaCan
Menu
Retour à la cohorte
Enregistrement W4220894291 · doi:10.1016/j.it.2022.03.003

All is not lost: learning from 9p21 loss in cancer

2022· review· en· W4220894291 sur OpenAlexafffund
Pavlina Spiliopoulou, S.Y. Cindy Yang, Jeff Bruce, Ben X. Wang, Hal K. Berman, Trevor J. Pugh, Lillian L. Siu

Notice bibliographique

RevueTrends in Immunology · 2022
Typereview
Langueen
DomaineMedicine
ThématiqueCancer Immunotherapy and Biomarkers
Établissements canadiensUniversity of TorontoOntario Institute for Cancer ResearchToronto General HospitalPrincess Margaret Cancer CentreUniversity Health Network
Organismes subventionnairesGenentechCanada Research ChairsAstellas Pharma CanadaPrincess Margaret Cancer FoundationMerckUniversity Health NetworkOntario Institute for Cancer ResearchRocheNovartisUniversity of TorontoAbbVieTerry Fox Research InstituteCelgeneBayerBristol-Myers SquibbAstraZenecaAmgenPfizer
Mots-clésPembrolizumabGenotypeInformation and Communications TechnologyCancerEvasion (ethics)AntibodyImmune systemImmunologyMedicineOncologyImmunotherapyInternal medicineBiologyGeneGeneticsPolitical science

Résumé

récupéré en direct d'OpenAlex

The cancer research community continues to search for additional biomarkers of response and resistance to immune checkpoint treatment (ICT). The ultimate goal is to direct the use of ICT in patients whose tumors are most likely to benefit to achieve a refinement that is equivalent to that of a genotype-matched targeted treatment. Dissecting the mechanisms of ICT resistance can help us characterize ICT nonresponders more efficiently. In this opinion, we argue that there may be additional knowledge gained about immune evasion in cancer by analyzing the loss of the human 9p21.3 locus; as an example, we highlight findings of 9p21.3 loss from the investigator-initiated, pan-cancer INSPIRE study, in which patients were treated with pembrolizumab (anti-PD-1 antibody) ICT.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0020,004
Charge utile insuffisante (le modèle a refusé de juger)0,0030,002

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 Opus0,112
Tête enseignante GPT0,396
Écart entre enseignants0,284 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations57
Publié2022
Routes d'admission2
Résumé présentnon

Explorer davantage

Même revueTrends in ImmunologyMême sujetCancer Immunotherapy and BiomarkersTravaux en français237 207