A generalizable machine learning framework for classifying DNA repair defects using ctDNA exomes
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
Specific classes of DNA damage repair (DDR) defect can drive sensitivity to emerging therapies for metastatic prostate cancer. However, biomarker approaches based on DDR gene sequencing do not accurately predict DDR deficiency or treatment benefit. Somatic alteration signatures may identify DDR deficiency but historically require whole-genome sequencing of tumour tissue. We assembled whole-exome sequencing data for 155 high ctDNA fraction plasma cell-free DNA and matched leukocyte DNA samples from patients with metastatic prostate or bladder cancer. Labels for DDR gene alterations were established using deep targeted sequencing. Per sample mutation and copy number features were used to train XGBoost ensemble models. Naive somatic features and trinucleotide signatures were associated with specific DDR gene alterations but insufficient to resolve each class. Conversely, XGBoost-derived models showed strong performance including an area under the curve of 0.99, 0.99 and 1.00 for identifying BRCA2, CDK12, and mismatch repair deficiency in metastatic prostate cancer. Our machine learning approach re-classified several samples exhibiting genomic features inconsistent with original labels, identified a metastatic bladder cancer sample with a homozygous BRCA2 copy loss, and outperformed an existing exome-based classifier for BRCA2 deficiency. We present DARC Sign (DnA Repair Classification SIGNatures); a public machine learning tool leveraging clinically-practical liquid biopsy specimens for simultaneously identifying multiple types of metastatic prostate cancer DDR deficiencies. We posit that it will be useful for understanding differential responses to DDR-directed therapies in ongoing clinical trials and may ultimately enable prospective identification of prostate cancers with phenotypic evidence of DDR deficiency.
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 | 0,002 |
| 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