Transcriptional immunogenomic analysis reveals distinct immunological clusters in paediatric nervous system tumours
Notice bibliographique
Résumé
BACKGROUND: Cancer immunotherapies including immune checkpoint inhibitors and Chimeric Antigen Receptor (CAR) T-cell therapy have shown variable response rates in paediatric patients highlighting the need to establish robust biomarkers for patient selection. While the tumour microenvironment in adults has been widely studied to delineate determinants of immune response, the immune composition of paediatric solid tumours remains relatively uncharacterized calling for investigations to identify potential immune biomarkers. METHODS: To inform immunotherapy approaches in paediatric cancers with embryonal origin, we performed an immunogenomic analysis of RNA-seq data from 925 treatment-naïve paediatric nervous system tumours (pedNST) spanning 12 cancer types from three publicly available data sets. RESULTS: Within pedNST, we uncovered four broad immune clusters: Paediatric Inflamed (10%), Myeloid Predominant (30%), Immune Neutral (43%) and Immune Desert (17%). We validated these clusters using immunohistochemistry, methylation immune inference and segmentation analysis of tissue images. We report shared biology of these immune clusters within and across cancer types, and characterization of specific immune cell frequencies as well as T- and B-cell repertoires. We found no associations between immune infiltration levels and tumour mutational burden, although molecular cancer entities were enriched within specific immune clusters. CONCLUSIONS: Given the heterogeneity of immune infiltration within pedNST, our findings suggest personalized immunogenomic profiling is needed to guide selection of immunotherapeutic strategies.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,006 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».