Abstract 223: Precision medicine-based platform to guide the treatment of EML4-ALK fusion lung cancers and other NSCLC
Notice bibliographique
Résumé
Abstract Background: Lung cancer (LC) remains the top cause of cancer-associated mortality worldwide, with a 10-year overall survival rate of only 5%. While most LCs are smoking related, in the US, 25% of non-small cell LC (NSCLC) are diagnosed in patients with little or no smoking history. Fusions involving anaplastic lymphoma kinase (ALK) are the oncogenic driver in ~3-7% of NSCLC. While inhibitors targeting the kinase domain of ALK (TKIs) have proven extremely effective, inevitably, resistance develops with limited effective treatment options. Additionally, NSCLCs without identified molecular alterations have limited treatment options beyond radiation, immunotherapy, chemotherapy, and resection. Methods: We developed a precision medicine-based platform (PMP) to screen patient-derived material (PDM) directly from the operating room with curated panels of drugs. PDM collected during clinically indicated procedures is plated in 3D-culture to generate patient-derived organoids (PDOs) and screened with drugs curated to each tumor type. PDOs are screened at therapeutically relevant doses, drawing from pharmacokinetic data for each drug. We have optimized an assay to rapidly screen for EML4-ALK fusions and can perform next-generation sequencing in real time (~7 days) to integrate with drug screening results. Results: To date, we have screened 83 cases, including 8 EML4-ALK NSCLC. We have demonstrated an ability to produce high quality data from low input samples (biopsies). In one EML4-ALK NSCLC we were able to collect PDM from two distinct anatomic spaces (pleural effusion and peritoneal fluid) and screen with the same panel of drugs, with nearly identical results, highlighting the reproducibility and consistency of our assay. Screening of EML4-ALK tumors which have progressed to second or higher line TKIs, demonstrate sensitivity to earlier generation ALK TKIs, a known phenomenon. Characterization of tumors with unknown clinical drivers identifies ~1/3 tumors with no prioritized variants and particularly poor response to chemotherapies. Our results recapitulate known resistance/progression in samples previously exposed to therapy, demonstrating a strong negative predictive value. Longitudinal assessment will be required to robustly assess positive predictive value (PPV). Conclusions: Our PMP captures robust and reproducible results that are consistent with known clinical pathogenesis. Moving forward, we are collecting longitudinal data from enrolled patients in parallel with clinical trials to demonstrate the PPV of our PMP. We additionally strive to demonstrate reproducibility to obtain Clinical Laboratory Improvement Amendments approval and to deliver results to patients and physicians to help guide clinical care. Citation Format: Nathan M. Merrill, Aaron Udager, Angel Qin, Kiran Lagisetty, Liwei Bao, Xu Cheng, Hamadi Madhi, Ananya Banerjee, Marziyeh Salehi Jahromi, Laura Goo, Varun Kathawate, Bryce Vandenburg, Marisa Aikins, Mark Slayton, Peter Ulintz, Zhaoping Qin, Chia-jen Liu, Habib Serhan, John Jefferies, Muhammad Sajawal Ali, Vishal Navani, Michael Monument, Johannes Kratz, Amber Smith, Andrew Chang, Gregory Kalemkerian, Sunitha Nagrath, Peggy Hsu, Matthew B. Soellner, Sofia D. Merajver. Precision medicine-based platform to guide the treatment of EML4-ALK fusion lung cancers and other NSCLC [abstract]. In: Proceedings of the American Association for Cancer Research Annual Meeting 2024; Part 1 (Regular Abstracts); 2024 Apr 5-10; San Diego, CA. Philadelphia (PA): AACR; Cancer Res 2024;84(6_Suppl):Abstract nr 223.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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 ».