MétaCan
Menu
← Retour à la cohorte
Enregistrement W4408326281 · doi:10.1158/1538-7445.genfunc25-b028

Abstract B028: Functional precision medicine in challenging breast cancer subtypes: Developing preclinical models for tailored therapy in complex and rare histologies

2025· article· en· W4408326281 sur OpenAlexaff
Hellen Kuasne, Anne-Marie Fortier, Sandrine Busque, Paul Savage, Constanza Martinez Ramirez, Anie Monast, Nebras Koudieh, Atilla Ömeroğlu, Lara Richer, Jamil Asselah, Nathaniel Bouganim, Francine Tremblay, Ari N. Meguerditchian, Sarkis Meterissian, Morag Park

Notice bibliographique

RevueCancer Research · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueCancer Cells and Metastasis
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésMedicineBreast cancerCancerOncologyInternal medicineCancer therapyMedical physics

Résumé

récupéré en direct d'OpenAlex

Abstract Functional precision medicine (FPM) integrates patient-derived preclinical models, molecular profiling, and drug sensitivity testing to advance personalized cancer treatments. This approach uses live patient tumor samples to conduct real-time functional assays, exposing them to a range of therapeutic agents to determine which treatments may be most effective. FPM enables a more tailored and potentially effective treatment strategy, particularly for complex cancers such as invasive breast carcinoma, which encompasses a spectrum of molecularly and clinically diverse diseases. Some subtypes, such as triple-negative breast cancer, metastatic or recurrent disease, and rare histologies, pose substantial treatment challenges. To address these complexities, we previously developed a resource of 37 hard-to-treat breast cancer patient-derived xenografts (PDXs) (Savage et al. 2020 - PMID: 32546838), demonstrating that PDXs preserve the molecular heterogeneity and multi-drug chemoresistance of the primary tumors. Expanding on this work, we have developed 35 new PDX models, including four derived from metaplastic breast cancers (MpBC), a rare and aggressive subtype characterized by minimal response to standard chemotherapy. We evaluated the molecular landscape of PDX and patient tumors, leveraging comprehensive omics data from this dataset. For each model, we evaluated potential vulnerabilities and the pattern of genomic alteration and expression profiles. Spatial transcriptomics of MpBC cases in our cohort was also evaluated (Visium - 10X technology) and we observed that the distinct transcriptomic populations overlap with the spatially defined histological features. To make our data accessible to the scientific community, we build a repository of rare breast cancer models, complete with detailed clinical, molecular, and pathological annotations, in addition to drug sensitivity profiles that may predict patient responses. By combining live biobanking and advanced profiling techniques, we identified tumor vulnerabilities, enabling the prioritization of drugs targeting these specific weaknesses. This multi-faceted approach represents a promising path to improving patient outcomes in difficult-to-treat breast cancer subtypes, helping to tailor preclinical testing and develop more effective therapies. Citation Format: Hellen Kuasne, Anne Marie Fortier, Sandrine Busque, Paul Savage, Constanza Martinez Ramirez, Anie Monast, Nebras Koudieh, Atilla Omeroglu, Lara Richer, Jamil Asselah, Nathaniel Bouganim, Francine Tremblay, Ari Nareg Meguerditchian, Sarkis Meterissian, Morag Park. Functional precision medicine in challenging breast cancer subtypes: Developing preclinical models for tailored therapy in complex and rare histologies [abstract]. In: Proceedings of the AACR Special Conference in Cancer Research: Functional and Genomic Precision Medicine in Cancer: Different Perspectives, Common Goals; 2025 Mar 11-13; Boston, MA. Philadelphia (PA): AACR; Cancer Res 2025;85(5 Suppl):Abstract nr B028.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,381
Tête enseignante GPT0,497
Écart entre enseignants0,115 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCancer Research→Même sujetCancer Cells and Metastasis→Travaux en français237 207→