Comprehensive molecular classification predicted microenvironment profiles and therapy response for HCC
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Tumor microenvironment (TME) heterogeneity leads to a discrepancy in survival prognosis and clinical treatment response for patients with HCC. The clinical applications of documented molecular subtypes are constrained by several issues. APPROACH AND RESULTS: We integrated 3 single-cell data sets to describe the TME landscape and identified 6 prognosis-related cell subclusters. Unsupervised clustering of subcluster-specific markers was performed to generate transcriptomic subtypes. The predictive value of these molecular subtypes for prognosis and treatment response was explored in multiple external HCC cohorts and the Xiangya HCC cohort. TME features were estimated using single-cell immune repertoire sequencing, mass cytometry, and multiplex immunofluorescence. The prognosis-related score was constructed based on a machine-learning algorithm. Comprehensive single-cell analysis described TME heterogeneity in HCC. The 5 transcriptomic subtypes possessed different clinical prognoses, stemness characteristics, immune landscapes, and therapeutic responses. Class 1 exhibited an inflamed phenotype with better clinical outcomes, while classes 2 and 4 were characterized by a lack of T-cell infiltration. Classes 5 and 3 indicated an inhibitory tumor immune microenvironment. Analysis of multiple therapeutic cohorts suggested that classes 5 and 3 were sensitive to immune checkpoint blockade and targeted therapy, whereas classes 1 and 2 were more responsive to transcatheter arterial chemoembolization treatment. Class 4 displayed resistance to all conventional HCC therapies. Four potential therapeutic agents and 4 targets were further identified for high prognosis-related score patients with HCC. CONCLUSIONS: Our study generated a clinically valid molecular classification to guide precision medicine in patients with HCC.
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.
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 | 0,000 |
| 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) | 0,000 | 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 découle