A pan-cancer clinical platform to predict immunotherapy outcomes and prioritize immuno-oncology combinations in early-phase trials
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
BACKGROUND: Immunotherapy is effective, but current biomarkers for patient selection have proven modest sensitivity. Here, we developed VIGex, an optimized gene signature based on the expression level of 12 genes involved in immune response with RNA sequencing. METHODS: We implemented VIGex using the nCounter platform (Nanostring) on a large clinical cohort encompassing 909 tumor samples across 45 tumor types. VIGex was developed as a continuous variable, with cutoffs selected to detect three main categories (hot, intermediate-cold and cold) based on the different inflammatory status of the tumor microenvironment. FINDINGS: Hot tumors had the highest VIGex scores and exhibited an increased abundance of tumor-infiltrating lymphocytes as compared with the intermediate-cold and cold. VIGex scores varied depending on tumor origin and anatomic site of metastases, with liver metastases showing an immunosuppressive tumor microenvironment. The predictive power of VIGex-Hot was observed in a cohort of 98 refractory solid tumor from patients treated in early-phase immunotherapy trials and its clinical performance was confirmed through an extensive metanalysis across 13 clinically annotated gene expression datasets from 877 patients treated with immunotherapy agents. Last, we generated a pan-cancer biomarker platform that integrates VIGex categories with the expression levels of immunotherapy targets under development in early-phase clinical trials. CONCLUSIONS: Our results support the clinical utility of VIGex as a tool to aid clinicians for patient selection and personalized immunotherapy interventions. FUNDING: BBVA Foundation; 202-2021 Division of Medical Oncology and Hematology Fellowship award; Princess Margaret Cancer Center.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,000 | 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