Ovarian cancer is detectable from peripheral blood using machine learning over T-cell receptor repertoires
Notice bibliographique
Résumé
The extraordinary diversity of T cells and B cells is critical for body maintenance. This diversity has an important role in protecting against tumor formation. In humans, the T-cell receptor (TCR) repertoire is generated through a striking stochastic process called V(D)J recombination, in which different gene segments are assembled and modified, leading to extensive variety. In ovarian cancer (OC), an unfortunate 80% of cases are detected late, leading to poor survival outcomes. However, when detected early, approximately 94% of patients live longer than 5 years after diagnosis. Thus, early detection is critical for patient survival. To determine whether the TCR repertoire obtained from peripheral blood is associated with tumor status, we collected blood samples from 85 women with or without OC and obtained TCR information. We then used machine learning to learn the characteristics of samples and to finally predict, over a set of unseen samples, whether the person is with or without OC. We successfully stratified the two groups, thereby associating the peripheral blood TCR repertoire with the formation of OC tumors. A careful study of the origin of the set of T cells most informative for the signature indicated the involvement of a specific invariant natural killer T (iNKT) clone and a specific mucosal-associated invariant T (MAIT) clone. Our findings here support the proposition that tumor-relevant signal is maintained by the immune system and is coded in the T-cell repertoire available in peripheral blood. It is also possible that the immune system detects tumors early enough for repertoire technologies to inform us near the beginning of tumor formation. Although such detection is made by the immune system, we might be able to identify it, using repertoire data from peripheral blood, to offer a pragmatic way to search for early signs of cancer with minimal patient burden, possibly with enhanced sensitivity.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».