Genomic Landscape of Non-Small Cell Lung Cancer (NSCLC) in East Asia Using Circulating Tumor DNA (ctDNA) in Clinical Practice
Notice bibliographique
Résumé
Plasma-based next-generation sequencing (NGS) has demonstrated the potential to guide the personalized treatment of non-small cell lung cancer (NSCLC). Inherent differences in mutational genomic profiles of NSCLC exist between Asian and Western populations. However, the published mutational genomic data of NSCLC has largely focused on Western populations. We retrospectively analyzed results from comprehensive NGS of plasma (Guardant360®) from patients with advanced non-squamous NSCLC, as seen in clinical practice. Tests were ordered between January 2016 and December 2020 in Hong Kong, Korea, Taiwan, Japan and Southeast Asia. The assay identified single-nucleotide variants (SNV), insertions and deletions, and fusions and amplifications in 74 genes. In total, 1608 plasma samples from patients with advanced non-squamous NSCLC were tested. The median turnaround time for test results was 7 days. Of the samples with detectable ctDNA (85.6%), 68.3% had alterations in at least one NCCN-recommended NSCLC biomarker. EGFR driver mutations were most frequent (48.6%), followed by alterations of KRAS (7.9%), ERBB2 (4.1%) and ALK (2.5%). Co-mutations of EGFR and KRAS occurred in 4.7% of samples. KRAS G12C was identified in 18.6% of all samples with KRAS mutations. Common mutations, such as exon 19 deletions and L858R, accounted for 88.4% of EGFR driver mutations. Among the samples with any EGFR driver mutation, T790M was present in 36.9%, including 7.7% with additional alterations associated with osimertinib resistance (MET amplification, C797X). Comprehensive plasma-based NGS provided the timely and clinically informative mutational genomic profiling of advanced non-squamous NSCLC in East Asian patients.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».