Biomarkers for immune checkpoint inhibition in sarcomas – are we close to clinical implementation?
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
Sarcomas are a group of diverse and complex cancers of mesenchymal origin that remains poorly understood. Recent developments in cancer immunotherapy have demonstrated a potential for better outcomes with immune checkpoint inhibition in some sarcomas compared to conventional chemotherapy. Immune checkpoint inhibitors (ICIs) are key agents in cancer immunotherapy, demonstrating improved outcomes in many tumor types. However, most patients with sarcoma do not benefit from treatment, highlighting the need for identification and development of predictive biomarkers for response to ICIs. In this review, we first discuss United States (US) Food and Drug Administration (FDA)-approved and European Medicines Agency (EMA)-approved biomarkers, as well as the limitations of their use in sarcomas. We then review eight potential predictive biomarkers and rationalize their utility in sarcomas. These include gene expression signatures (GES), circulating neutrophil-to-lymphocyte ratio (NLR), indoleamine 2,3-dioxygenase (IDO), lymphocyte activation gene 3 (LAG-3), T cell immunoglobin and mucin domain-containing protein 3 (TIM-3), TP53 mutation status, B cells, and tertiary lymphoid structures (TLS). Finally, we discuss the potential for TLS as both a predictive and prognostic biomarker for ICI response in sarcomas to be implemented in the clinic.
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 | 0,014 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| 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 | 0,001 | 0,001 |
| 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