Molecular Subclasses of Clear Cell Ovarian Carcinoma and Their Impact on Disease Behavior and Outcomes
Notice bibliographique
Résumé
PURPOSE: To identify molecular subclasses of clear cell ovarian carcinoma (CCOC) and assess their impact on clinical presentation and outcomes. EXPERIMENTAL DESIGN: We profiled 421 primary CCOCs that passed quality control using a targeted deep sequencing panel of 163 putative CCOC driver genes and whole transcriptome sequencing of 211 of these tumors. Molecularly defined subgroups were identified and tested for association with clinical characteristics and overall survival. RESULTS: We detected a putative somatic driver mutation in at least one candidate gene in 95% (401/421) of CCOC tumors including ARID1A (in 49% of tumors), PIK3CA (49%), TERT (20%), and TP53 (16%). Clustering of cancer driver mutations and RNA expression converged upon two distinct subclasses of CCOC. The first was dominated by ARID1A-mutated tumors with enriched expression of canonical CCOC genes and markers of platinum resistance; the second was largely comprised of tumors with TP53 mutations and enriched for the expression of genes involved in extracellular matrix organization and mesenchymal differentiation. Compared with the ARID1A-mutated group, women with TP53-mutated tumors were more likely to have advanced-stage disease, no antecedent history of endometriosis, and poorer survival, driven by their advanced stage at presentation. In women with ARID1A-mutated tumors, there was a trend toward a lower rate of response to first-line platinum-based therapy. CONCLUSIONS: Our study suggests that CCOC consists of two distinct molecular subclasses with distinct clinical presentation and outcomes, with potential relevance to both traditional and experimental therapy responsiveness. See related commentary by Lheureux, p. 4838.
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 ».