Pathway-based signatures predict patient outcome, chemotherapy benefit and synthetic lethal dependencies in invasive lobular breast cancer
Notice bibliographique
Résumé
BACKGROUND: Invasive Lobular Carcinoma (ILC) is a morphologically distinct breast cancer subtype that represents up to 15% of all breast cancers. Compared to Invasive Breast Carcinoma of No Special Type (IBC-NST), ILCs exhibit poorer long-term outcome and a unique pattern of metastasis. Despite these differences, the systematic discovery of robust prognostic biomarkers and therapeutically actionable molecular pathways in ILC remains limited. METHODS: Pathway-centric multivariable models using statistical machine learning were developed and tested in seven retrospective clinico-genomic cohorts (n = 996). Further external validation was performed using a new RNA-Seq clinical cohort of aggressive ILCs (n = 48). RESULTS AND CONCLUSIONS: mRNA dysregulation scores of 25 pathways were strongly prognostic in ILC (FDR-adjusted P < 0.05). Of these, three pathways including Cell-cell communication, Innate immune system and Smooth muscle contraction were also independent predictors of chemotherapy response. To aggregate these findings, a multivariable machine learning predictor called PSILC was developed and successfully validated for predicting overall and metastasis-free survival in ILC. Integration of PSILC with CRISPR-Cas9 screening data from breast cancer cell lines revealed 16 candidate therapeutic targets that were synthetic lethal with high-risk ILCs. This study provides interpretable prognostic and predictive biomarkers of ILC which could serve as the starting points for targeted drug discovery for this disease.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».