Profiling Breast Tumor Heterogeneity and Identifying Breast Cancer Subtypes Through Tumor‐Associated Immune Cell Signatures and Immuno Nano Sensors
Notice bibliographique
Résumé
Breast cancer is a complex and heterogeneous disease with varying cellular, genetic, epigenetic, and molecular expressions. The detection of intratumor heterogeneity in breast cancer poses significant challenges due to its complex multifaceted characteristics, yet its identification is crucial for guiding effective treatment decisions and understanding the disease progression. Currently, there exists no method capable of capturing the full extent of breast tumor heterogeneity. In this study, the aim is to identify and characterize metabolic heterogeneity in breast tumors using immune cells and an ultrafast laser-fabricated Immuno Nano Sensor. Combining spectral markers from both Natural Killer (NK) and T cells, a machine-learning approach is implemented to distinguish cancer from healthy samples, identify primary versus metastatic tumors, and determine estrogen receptor (ER)/progesterone receptor (PR) status at the single-cell level. The platform successfully distinguished heterogeneous breast cancer samples from healthy individuals, achieving 97.8% sensitivity and 92.2% specificity, and accurately identified primary tumors from metastatic tumors. Characteristic spectral signatures allow for discrimination between ER/PR-positive and negative tumors with 97.5% sensitivity. This study demonstrates the potential of immune cell-based metabolic profiling in providing a comprehensive assessment of breast tumor heterogeneity and paving the way for minimally invasive liquid biopsy approaches in breast cancer diagnosis and management.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 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 ».