Genome-wide Detection of Chimeric Transcripts in Early-stage Non-small Cell Lung Cancer
Notice bibliographique
Résumé
BACKGROUND/AIM: Lung cancer remains the main culprit in cancer-related mortality worldwide. Transcript fusions play a critical role in the initiation and progression of multiple cancers. Treatment approaches based on specific targeting of discovered driver events, such as mutations in EGFR, and fusions in NTRK, ROS1, and ALK genes led to profound improvements in clinical outcomes. The formation of chimeric proteins due to genomic rearrangements or at the post-transcriptional level is widespread and plays a critical role in tumor initiation and progression. Yet, the fusion landscape of lung cancer remains underexplored. MATERIALS AND METHODS: We used the JAFFA pipeline to discover transcript fusions in early-stage non-small cell lung cancer (NSCLC). The set of detected fusions was further analyzed to identify recurrent events, genes with multiple partners and fusions with high predicted oncogenic potential. Finally, we used a generalized linear model (GLM) to establish statistical associations between fusion occurrences and clinicopathological variables. RNA sequencing was used to discover and characterize transcript fusions in 270 NSCLC samples selected from the Glans-Look specimen repository. The samples were obtained during the early stages of disease prior to the initiation of chemo- or radiotherapy. RESULTS: We identified a set of 792 fusions where 751 were novel, and 33 were recurrent. Four of the 33 recurrent fusions were significantly associated with clinicopathological variables. Several of the fusion partners were represented by well-established oncogenes ERBB4, BRAF, FGFR2, and MET. CONCLUSION: The data presented in this study allow researchers to identify, select, and validate promising candidates for targeted clinical interventions.
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 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 | 0,000 | 0,000 |
| 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) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».