Individualized Prediction of Drug Response and Rational Combination Therapy in NSCLC Using Artificial Intelligence–Enabled Studies of Acute Phosphoproteomic Changes
Notice bibliographique
Résumé
We hypothesize that the study of acute protein perturbation in signal transduction by targeted anticancer drugs can predict drug sensitivity of these agents used as single agents and rational combination therapy. We assayed dynamic changes in 52 phosphoproteins caused by an acute exposure (1 hour) to clinically relevant concentrations of seven targeted anticancer drugs in 35 non-small cell lung cancer (NSCLC) cell lines and 16 samples of NSCLC cells isolated from pleural effusions. We studied drug sensitivities across 35 cell lines and synergy of combinations of all drugs in six cell lines (252 combinations). We developed orthogonal machine-learning approaches to predict drug response and rational combination therapy. Our methods predicted the most and least sensitive quartiles of drug sensitivity with an AUC of 0.79 and 0.78, respectively, whereas predictions based on mutations in three genes commonly known to predict response to the drug studied, for example, EGFR, PIK3CA, and KRAS, did not predict sensitivity (AUC of 0.5 across all quartiles). The machine-learning predictions of combinations that were compared with experimentally generated data showed a bias to the highest quartile of Bliss synergy scores (P = 0.0243). We confirmed feasibility of running such assays on 16 patient samples of freshly isolated NSCLC cells from pleural effusions. We have provided proof of concept for novel methods of using acute ex vivo exposure of cancer cells to targeted anticancer drugs to predict response as single agents or combinations. These approaches could complement current approaches using gene mutations/amplifications/rearrangements as biomarkers and demonstrate the utility of proteomics data to inform treatment selection in the clinic.
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) | 0,000 | 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 ».