Development of a genome atlas for discriminating benign, preinvasive, and invasive lung nodules
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
To tackle misdiagnosis in lung cancer screening with low-dose computed tomography (LDCT), we aimed to compile a genome atlas for differentiating benign, preinvasive, and invasive lung nodules and characterize their molecular pathogenesis. We collected 432 lung nodule tissue samples from Chinese patients, spanning benign, atypical adenomatous hyperplasia (AAH), adenocarcinoma in situ (AIS), minimally invasive adenocarcinoma (MIA), and invasive adenocarcinoma (IA). We performed comprehensive sequencing, examining somatic variants, gene expressions, and methylation levels. Our findings uncovered EGFR and TP53 mutations as key drivers in - early lung cancer development, with EGFR mutation frequency increasing with disease progression. Both EGFR mutations and EGF/EGFR hypo-methylation activated the EGFR pathway, fueling cancer growth. Transcriptome analysis identified four lung nodule subtypes (G1-4) with distinct molecular features and immune cell infiltrations: EGFR-driven G1, EGFR/TP53 co-mutation G2, inflamed G3, stem-like G4. Estrogen/androgen response was associated with the EGFR pathway, proposing a new therapy combining tyrosine kinase inhibitors with antiestrogens. Preinvasive nodules exhibited stem cell pathway enrichment, potentially hindering invasion. Epigenetic regulation of various genes was essential for lung cancer initiation and development. This study provides insights into the molecular mechanism of neoplastic progression and identifies potential diagnostic biomarkers and therapeutic targets for lung cancer.
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