Clinical sequencing identifies potential actionable alterations in a high rate of urachal and primary bladder adenocarcinomas
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: Administration of targeted therapies provides a promising treatment strategy for urachal adenocarcinoma (UrC) or primary bladder adenocarcinoma (PBAC); however, the selection of appropriate drugs remains difficult. Here, we aimed to establish a routine compatible methodological pipeline for the identification of the most important therapeutic targets and potentially effective drugs for UrC and PBAC. METHODS: Next-generation sequencing, using a 161 cancer driver gene panel, was performed on 41 UrC and 13 PBAC samples. Clinically relevant alterations were filtered, and therapeutic interpretation was performed by in silico evaluation of drug-gene interactions. RESULTS: After data processing, 45/54 samples passed the quality control. Sequencing analysis revealed 191 pathogenic mutations in 68 genes. The most frequent gain-of-function mutations in UrC were found in KRAS (33%), and MYC (15%), while in PBAC KRAS (25%), MYC (25%), FLT3 (17%) and TERT (17%) were recurrently affected. The most frequently affected pathways were the cell cycle regulation, and the DNA damage control pathway. Actionable mutations with at least one available approved drug were identified in 31/33 (94%) UrC and 8/12 (67%) PBAC patients. CONCLUSIONS: In this study, we developed a data-processing pipeline for the detection and therapeutic interpretation of genetic alterations in two rare cancers. Our analyses revealed actionable mutations in a high rate of cases, suggesting that this approach is a potentially feasible strategy for both UrC and PBAC treatments.
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.
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 découle