Transcriptional profiles define drug refractory disease in myeloma
Notice bibliographique
Résumé
Abstract Identifying biomarkers associated with disease progression and drug resistance are important for personalized care. We investigated the expression of 121 curated genes, related to immunomodulatory drugs (IMiDs) and proteasome inhibitors (PIs) responsiveness. We analyzed 28 human multiple myeloma (MM) cell lines with known drug sensitivities and 130 primary MM patient samples collected at different disease stages, including newly diagnosed (ND), on therapy (OT), and relapsed and refractory (RR, collected within 12 months before the patients’ death) timepoints. Our findings led to the identification of a subset of genes linked to clinical drug resistance, poor survival, and disease progression following combination treatment containing IMIDs and/or PIs. Finally, we built a seven‐gene model (MM‐IMiD and PI sensitivity‐7 genes [IP‐7]) using digital gene expression profiling data that significantly separates ND patients from IMiD‐ and PI‐refractory RR patients. Using this model, we retrospectively analyzed RNA sequcencing (RNAseq) data from the Mulltiple Myeloma Research Foundation (MMRF) CoMMpass (n = 578) and Mayo Clinic MM patient registry (n = 487) to divide patients into probabilities of responder and nonresponder, which subsequently correlated with overall survival, disease stage, and number of prior treatments. Our findings suggest that this model may be useful in predicting acquired resistance to treatments containing IMiDs and/or PIs.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».