Proteomics and personalized PDX models identify treatment for a progressive malignancy within an actionable timeframe
Notice bibliographique
Résumé
Genomics has transformed the diagnostic landscape of pediatric malignancies by identifying and integrating actionable features that refine diagnosis, classification, and treatment. Yet, translating precision oncology data into effective therapies for hard-to-cure childhood, adolescent, and young adult malignancies remains a significant challenge. We present the case for combining proteomics with patient-derived xenograft models to identify personalized treatment for an adolescent with primary and metastatic spindle epithelial tumor with thymus-like elements (SETTLE). Within two weeks of biopsy, proteomics identified elevated SHMT2 as a target for therapy with the anti-depressant sertraline. Drug response was confirmed within two months using a personalized chicken chorioallantoic membrane model of the patient's SETTLE tumor. Following failure of cytotoxic chemotherapy and second-line therapy, the patient received sertraline treatment and showed decreased tumor growth rates, albeit with clinically progressive disease. We demonstrate that proteomics and fast-track xenograft models provide supportive pre-clinical data in a clinically meaningful timeframe to impact clinical practice. By this, we show that proteome-guided and functional precision oncology are feasible and valuable complements to the current genome-driven precision oncology practices.
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) | 0,000 | 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 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 ».