Abstract 5661: Identifying and intervening rare resistant subclones to BRAF/MEK inhibitors in metastatic melanoma
Notice bibliographique
Résumé
Abstract Acquired drug resistance poses a significant challenge in the treatment of cancer. This study focuses on melanoma as a model system to understand and address pre-existing subclonal resistance. The use of BRAF and MEK inhibitors (BRAFi/MEKi) in patients with metastatic melanoma harboring BRAF activating mutations has resulted in remarkable responses in the majority of cases. However, most patients have disease relapse after one year, and there are limited subsequent treatment options. One possible cause of relapse is the existence of a subpopulation of cells resistant to BRAFi/MEKi prior to treatment, raising the possibility that commencing counter-resistance treatment earlier may delay or abolish resistance to BRAFi/MEKi. We aim to enhance the detection and treatment of low-frequency resistant mutations, addressing the current oversight by existing technologies. This research is crucial due to a lack of consensus on the clinical management of these mutations. By using quantitative blocker displacement amplification (qBDA) technology and integrating patient samples with cell line models, our project seeks to determine 1) the prevalence of low-frequency resistant subclones by measuring the Variant Allele Frequency (VAF) of known resistance mutations along the MAPK/PI3K pathways in FFPE biopsies from 149 metastatic melanoma patients and 2) determine the functional impact of different VAF levels on the outgrowth of resistant subclones. We assessed 14 loci in 6 known resistance genes: NRAS, KRAS, PIK3CA, AKT1, MAP2K1, and MAP2K2, as well as BRAF itself as a positive control. As expected, all 55 patients analyzed harbored BRAF activating mutations, while 17 patients had at least one resistant subclone above our preliminary cutoff of 60% VAF. To simulate the behavior of low-VAF resistance mutations, we conducted in vitro experiments by spiking in labeled BRAF/MEK inhibitor-resistant melanoma cells into their isogenic sensitive parental cell line. Our initial data demonstrated that, at least in this model system, a 10% VAF spike-in leads to the eventual outgrowth of resistant cells, but not in a 1% VAF spike-in, suggesting that either the density or the absolute number of the pre-existing resistant cells can dictate resistance evolution. In future experiments, we will assess multiple VAFs in an independent cell line as well as in vivo to identify the nature of its correlation with resistance outcomes and expand to additional models. In summary, our data suggest that a substantial proportion of metastatic melanoma patients with BRAF mutations have pre-existing resistant cell subclones, and that accurately assessing its VAF could provide clinically-relevant information. Ultimately, results from this work would be the basis for future personalized counter-resistance therapies, potentially extending treatment effectiveness for patients with pre-existing resistant mutations. Citation Format: Han Wang, Michael Nakazawa, Omid Veiseh, Lawrence Kwong, David Zhang. Identifying and intervening rare resistant subclones to BRAF/MEK inhibitors in metastatic melanoma [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 5661.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,002 | 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 ».