Identifying MAGE-A4-positive tumors for TCR T cell therapies in HLA-A∗02-eligible patients
Notice bibliographique
Résumé
T cell receptor (TCR) T cell therapies target tumor antigens in a human leukocyte antigen (HLA)-restricted manner. Biomarker-defined therapies require validation of assays suitable for determination of patient eligibility. For clinical trials evaluating TCR T cell therapies targeting melanoma-associated antigen A4 (MAGE-A4), screening in studies NCT02636855 and NCT04044768 assesses patient eligibility based on: (1) high-resolution HLA typing and (2) tumor MAGE-A4 testing via an immunohistochemical assay in HLA-eligible patients. The HLA/MAGE-A4 assays validation, biomarker data, and their relationship to covariates (demographics, cancer type, histopathology, tissue location) are reported here. HLA-A∗02 eligibility was 44.8% (2,959/6,606) in patients from 43 sites across North America and Europe. While HLA-A∗02:01 was the most frequent HLA-A∗02 allele, others (A∗02:02, A∗02:03, A∗02:06) considerably increased HLA eligibility in Hispanic, Black, and Asian populations. Overall, MAGE-A4 prevalence based on clinical trial enrollment was 26% (447/1,750) across 10 solid tumor types, and was highest in synovial sarcoma (70%) and lowest in gastric cancer (9%). The covariates were generally not associated with MAGE-A4 expression, except for patient age in ovarian cancer and histology in non-small cell lung cancer. This report shows the eligibility rate from biomarker screening for TCR T cell therapies and provides epidemiological data for future clinical development of MAGE-A4-targeted therapies.
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 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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,000 | 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 tête enseignante, 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 ».