MétaCan
Menu
Retour à la cohorte
Enregistrement W4382517690 · doi:10.1101/2023.06.20.23291538

Geographic variation of mutagenic exposures in kidney cancer genomes

2023· preprint· en· W4382517690 sur OpenAlexaff
S. Senkin, Sarah Moody, Marcos Díaz‐Gay, Behnoush Abedi‐Ardekani, Thomas Cattiaux, Aida Ferreiro-Iglesias, Jingwei Wang, Stephen Fitzgerald, Mariya Kazachkova, Raviteja Vangara, Anh Le, Erik N. Bergstrom, Azhar Khandekar, Burçak Otlu, Saamin Cheema, Calli Latimer, Emily Thomas, Joshua Atkins, Karl Smith-Byrne, Ricardo Cortez Cardoso Penha, Christine Carreira, Priscilia Chopard, Valérie Gaborieau, Pekka Keski‐Rahkonen, David Jones, Jon W. Teague, Sophie Ferlicot, Mojgan Asgari, Surasak Sangkhathat, Worapat Attawettayanon, Beata Świątkowska, Sonata Jarmalaitė, Rasa Sabaliauskaitė, Tatsuhiro Shibata, Akihiko Fukagawa, Dana Mateș, Viorel Jinga, Ștefan Rașcu, Mirjana Mijušković, Slaviša Savić, Saša Milosavljević, John M.S. Bartlett, Monique Albert, Larry Phouthavongsy, Patrícia Ashton‐Prolla, Mariana Rodrigues Botton, Brasil Silva Neto, Stephania Martins Bezerra, María Paula Curado, Stênio de Cássio Zéqui, Rui Manuel Reis, Eliney Ferreira Faria, Nei Soares de Menezes, Renata Spagnoli Ferrari, Rosamonde E. Banks, Naveen Vasudev, Давид Заридзе, Anush Mukeriya, Oxana Shangina, Vsevolod Matveev, Lenka Foretová, Marie Navrátilová, Ivana Holcátová, Anna Horňáková, Vladimí­r Janout, Mark P. Purdue, Nathaniel Rothman, Stephen J. Chanock, Per Magne Ueland, Mattias Johansson, James McKay, Ghislaine Scélo, Estelle Chanudet, Laura Humphreys, Ana Carolina de Carvalho, Sandra Pérdomo, Ludmil B. Alexandrov, Michael R. Stratton, Paul Brennan

Notice bibliographique

RevuemedRxiv · 2023
Typepreprint
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCancer Genomics and Diagnostics
Établissements canadiensUniversity of GuelphOntario Institute for Cancer Research
Organismes subventionnairesMinisterstvo Zdravotnictví Ceské RepublikyNational Institute for Health and Care ResearchNational Cancer InstituteCancer Research UKHospital de Câncer de BarretosNational Cancer Center JapanWellcome TrustJapan Agency for Medical Research and DevelopmentHospital de Clínicas de Porto AlegreUniverzita Karlova v Praze
Mots-clésIncidence (geometry)CancerKidney cancerBiologyGeneticsEpidemiologyMedicineInternal medicine

Résumé

récupéré en direct d'OpenAlex

ABSTRACT International differences in the incidence of many cancer types indicate the existence of carcinogen exposures that have not been identified by conventional epidemiology yet potentially make a substantial contribution to cancer burden 1 . This pertains to clear cell renal cell carcinoma (ccRCC), for which obesity, hypertension, and tobacco smoking are risk factors but do not explain its geographical variation in incidence 2 . Some carcinogens generate somatic mutations and a complementary strategy for detecting past exposures is to sequence the genomes of cancers from populations with different incidence rates and infer underlying causes from differences in patterns of somatic mutations. Here, we sequenced 962 ccRCC from 11 countries of varying incidence. Somatic mutation profiles differed between countries. In Romania, Serbia and Thailand, mutational signatures likely caused by extracts of Aristolochia plants were present in most cases and rare elsewhere. In Japan, a mutational signature of unknown cause was found in >70% cases and <2% elsewhere. A further mutational signature of unknown cause was ubiquitous but exhibited higher mutation loads in countries with higher kidney cancer incidence rates (p-value <6 × 10 −18 ). Known signatures of tobacco smoking correlated with tobacco consumption, but no signature was associated with obesity or hypertension suggesting non-mutagenic mechanisms of action underlying these risk factors. The results indicate the existence of multiple, geographically variable, mutagenic exposures potentially affecting 10s of millions of people and illustrate the opportunities for new insights into cancer causation through large-scale global cancer genomics.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,268
Écart entre enseignants0,251 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuemedRxivMême sujetCancer Genomics and DiagnosticsTravaux en français237 207