Abstract 3121: Exercise and tumor genomic landscapes in 2,879 patients with cancer
Notice bibliographique
Résumé
Abstract Approximately two-thirds of cancer diagnoses globally are attributed to modifiable lifestyle factors such as smoking, diet and inactivity. Conversely, regular exercise is linked to decreased risk of multiple cancers. However, the underlying molecular mechanisms are not fully elucidated. Specifically, how exercise impacts tumor genomic landscapes has not been considered. To address this gap, we integrated clinical annotation of exercise exposure with tumor mutational profiling of 2,879 patients with cancer. Exercise exposure was evaluated by validated questionnaire and tumor genomic profiling of ≥ 505 commonly mutated cancer genes was performed using the Memorial Sloan Kettering Cancer Center Integrated Mutation Profiling of Actional Cancer Targets (MSK-IMPACT) assay. Among the most represented cancer types were breast (n = 623), lung (n = 524), endometrial (n = 260), colorectal (n = 217) and prostate (n = 176). We found that exercise influences the genomic landscapes of tumors in a cancer-type specific manner. For instance, breast, colorectal and lung cancers from exercising patients had significantly lower tumor mutation burden (TMB) compared with non-exercisers. TMB of melanoma was significantly higher in exercisers versus non-exercisers. A pan-cancer analysis showed that mutations in SMAD3 were more frequent among exercisers, while mutations in STK11, KEAP1 and RBM10 were more frequent among non-exercisers. Overall, this study shows that exercise regulates tumor genomic landscapes and does so in a cancer-site specific manner. Citation Format: Brandon L. Tsai, Lydia Y. Liu, Stefan E. Eng, Whitney P. Underwood, Catherine P. Lee, Joshua W. Bliss, Paul C. Boutros, Lee W. Jones. Exercise and tumor genomic landscapes in 2,879 patients with cancer [abstract]. In: Proceedings of the American Association for Cancer Research Annual Meeting 2023; Part 1 (Regular and Invited Abstracts); 2023 Apr 14-19; Orlando, FL. Philadelphia (PA): AACR; Cancer Res 2023;83(7_Suppl):Abstract nr 3121.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,002 | 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 ».