Integrative genomic analysis of DLBCL identifies immune environments associated with bispecific antibody response
Notice bibliographique
Résumé
ABSTRACT: Most patients with diffuse large B-cell lymphoma (DLBCL) treated with immunotherapies such as bispecific antibodies (BsAbs) or chimeric antigen receptor (CAR) T cells fail to achieve durable treatment responses, underscoring the need for a deeper understanding of mechanisms that regulate the immune environment and response to treatment. Here, an integrative multiomics approach was applied to multiple large independent data sets to characterize DLBCL immune environments and to define their association with tumor cell-intrinsic genomic alterations and outcomes to CD19-directed CAR T-cell and CD20 × CD3 BsAb therapies. This approach effectively segregated DLBCLs into 4 immune quadrants (IQs) defined by cell-of-origin and immune-related gene set expression scores. These quadrants consisted of activated B cell-like (ABC) hot, ABC cold, germinal center B cell-like (GCB) hot, and GCB cold DLBCLs. Recurrent genomic alterations were enriched in each IQ, suggesting that lymphoma cell-intrinsic alterations contribute significantly to orchestrating unique DLBCL immune environments. For instance, SOCS1 loss-of-function mutations were significantly enriched among GCB hot DLBCLs, identifying a putative subset of inflamed DLBCLs that may be inherently susceptible to immunotherapy. In patients with relapsed/refractory DLBCL, DLBCL-IQ assignment correlated significantly with clinical benefit with a CD20 × CD3 BsAb (N = 74), but not with CD19-directed CAR T cells (Stanford, N = 51; Memorial Sloan Kettering Cancer Center, N = 69). Thus, DLBCL-IQ provides a new framework to conceptualize the DLBCL immune landscape and suggests the endogenous immune environment has a more significant impact on outcomes to BsAb than CAR T-cell treatment.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,001 | 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 ».