Geometry based gene expression signatures detect cancer treatment responders in clinical trials
Notice bibliographique
Résumé
A bstract Aim The overall aim of this project is to determine if gene expression signatures of tumors, constructed from geometrical attributes of data, can be used to both create a definitive classification of responders and non-responders, and to predict patient treatment response in an unbiased manner. This is tested in an open-sourced Pfizer clinical trial data on avelumab plus axitnib in advanced renal cell carcinoma ( n = 726). Results Geometrical gene expression signatures were able to be used to create standardized classification of responders to the intervention, as demonstrated by dramatically different Kaplan-Meier (KM) estimators based on responder category assigned in the Pfizer trial. Furthermore, unbiased prediction based on leave one out methodology was able to correctly predict the responder classification with 82.0% accuracy. Biomarkers of response generated indicated that the strongest predictive gene was PODXL (podocalyxin), with an inconsistent influence on responder class based on over- and underexpression. A KM estimator of the out-of-sample predictions showed nearly four times the average effect in samples predicted to be responders against those predicted to not be responders, and accounted for 79.2% of the treatment effect. Conclusions Gene expression based geometrical signatures are able to create “gold standard” classification of responders and non-responders in clinical trial data, and are highly accurate at predicting these labels in an out-of-sample, unbiased test. These methods can be used to find more stable biomarkers of response, as well as increase the chances of a clinical trial being approved.
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 | 0,006 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».