Multi-modal immune profiling of mucinous ovarian carcinoma: analysis from the Ovarian Tumor Tissue Analysis/Multidisciplinary Ovarian Cancer Outcomes Group consortia
Notice bibliographique
Résumé
Abstract Mucinous ovarian carcinoma (MOC) is a rare histotype of ovarian cancer. Women with advanced disease (FIGO stage III/IV) have very poor outcomes, with 5-year survival of <20%. Little is known about the anti-tumor immune response in MOC, limiting potential immunotherapeutic options for patients. Immune data from 3 platforms were analysed. A NanoString mRNA expression panel with 39 immune-related genes (n=60 MOC, n=4198 other ovarian histotypes), a NanoString mRNA plexset with PD-1, PD-L1 (n=241 MOC, n=115 upper and lower gastrointestinal (GI) cancers), and 2 multicolor immunofluorescence (mcIF) panels (n=121 MOC) for CD68, PD-L1, PD-1, CD8 and FOXP3. Data overlapped all platforms for 22 MOC. Immune marker expression by ovarian cancer histotype was measured. Uni- and multivariable Cox Proportional Hazards assessed overall survival (OS) within MOC. Hierarchical clustering looked for subgroups of patients based on co-expression of immune genes. Compared to more common high-grade serous ovarian cancer (HGSC) and GI cancers, MOC were less immunologically active. High IGHM expression was associated with poorer OS (HR 1.31 (95% CI 1.02–1.69), p=0.033). High tumor densities of FOXP3 and PD-1 positive cells conferred poorer OS in a model with age, stage and site; however, these and PD-L1 and CD68 were associated with grade. The 39 gene NanoString and mcIF datasets revealed 4 clusters, roughly translating to immune cold, moderate and hot (groups 3,4). mcIF analysis revealed a subset with PD-L1 expression in the absence of T-regulatory cell infiltrates. This study provides novel insights into the MOC immune landscape. Despite relatively low immune activity overall, immunotherapy could be explored for a subset of patients with MOC. Supported by NSW Ministry of Health and UNSW Sydney, through the NSW Health PhD Scholarship Program 2017-2022; Translational Cancer Research Network top-up scholarship 2021
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 | 0,006 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 ».