Abstract 6262: Changes in the spatial architecture of the tumor microenvironment associated with treatment resistance in muscle invasive bladder cancer
Notice bibliographique
Résumé
Abstract Approximately one-third of bladder cancer (BC) patients are diagnosed with muscle-invasive bladder cancer (MIBC). Despite recent successes in clinical trials with neo-adjuvant therapies such as checkpoint inhibitors and chemotherapy, clinical implementation is hindered by a lack of biomarkers to guide therapy decisions, as not all patients respond to certain treatments. While the prognostic value of immune biomarkers in BC has been studied in the tumor microenvironment (TME), previous studies only evaluate single therapies, lack comparison to untreated groups, and fail to examine post-treatment residual tissue, limiting cross-therapy comparisons. Most studies have also relied solely on immune cell densities, ignoring spatial immune interactions critical for anti-tumor responses. Measuring spatial relationships (SRs) between immune cells in the TME provides a mathematical description of proximity and adjacency, which is more biologically relevant. Associations between SRs, prognosis, and treatment response have been reported across cancer types. For MIBC, analyzing SRs may improve tumor immunology insights and reveal treatment-response biomarkers. We analyzed four MIBC cohorts using multiplex immunofluorescence (mIF, three panels with six markers): 49 pre-NAC, 90 pre-CPI (pembrolizumab), 41 pre-NAC and CPI (nivolumab), and 70 untreated, plus corresponding residual tissue (N=26, 13, 20, and 35). A univariate logistic regression model identified spatial immune features associated with treatment resistance, examining metrics like first nearest neighbor (1NN) distances (e.g., median, Weibull distribution shape/scale) and frequency of cellular triads (interaction patterns). Model coefficients were exponentiated into interpretable odds ratios (ORs) for resistance associations. Multiple immune features were linked to NAC resistance. For example, pre-treatment, a higher Weibull shape parameter for CD4+ T cells and Tregs was associated with resistance to NAC (OR = 0.22, 95% CI [0.05, 0.67], p = 0.02). Similarly, increased pre-treatment abundance of triads involving B cells, CD4+ T cells, and Tregs was associated with NAC resistance (OR = 0.77, 95% CI [0.55, 0.94], p = 0.04). Importantly, these associations were NAC-specific, as no negative prognostic associations were observed in untreated patients (Weibull shape: OR = 2.22, 95% CI [0.71, 8.2], p = 0.19; triads: OR = 0.99, 95% CI [0.97, 1.01], p = 0.33). These findings highlight the potential of spatial immune metrics to refine biomarker identification and improve personalized treatment strategies in MIBC. Citation Format: Nikolay Alabi, Nicolas Zheng, Joshua Scurll, Jussi Nikkola, Alberti Contreras-Sanz, Morgan Roberts, Ali Bashashati, Peter Black. Changes in the spatial architecture of the tumor microenvironment associated with treatment resistance in muscle invasive bladder cancer [abstract]. In: Proceedings of the American Association for Cancer Research Annual Meeting 2025; Part 1 (Regular Abstracts); 2025 Apr 25-30; Chicago, IL. Philadelphia (PA): AACR; Cancer Res 2025;85(8_Suppl_1):Abstract nr 6262.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».