Abstract A042: Real-world clinical multi-omics and AI/ML analyses reveal bifurcation of drug resistance mechanisms to CDK4/6 inhibitors
Notice bibliographique
Résumé
Abstract To better understand the molecular mechanisms of drug resistance to CDK4/6 inhibitors (CDK4/6i) and inform precision medicine strategies, we retrospectively analyzed a multi-omics dataset of 400 HR+/HER2- mBC patients who received CDK4/6i plus endocrine therapies in routine clinical practice, including 200 pre-treatment (Pre), 227 post-progression (Post) samples. Integrative clustering analysis identified three subgroups of tumors harboring different drug resistance mechanisms: ER driven, ER co-driven and ER independent. The ER independent subgroup increased the most in prevalence from 4% pre-treatment to 23% post-progression and is characterized by down-regulation of estrogen signaling and enrichment of drug resistance markers including TP53 and RB1 mutations, Basal-like and Her2-like subtypes and CCNE1 over-expression. We deconvoluted bulk tumor expression profiles to derive cancer-specific expression (CSE) profiles for investigating tumor intrinsic mechanisms that give rise to ER independent drug resistance. We then performed trajectory inference analyses often used in single-cell transcriptomics on CSEs and identified a latent pseudotime variable strongly correlated with ER independence and disease progression. Elastic principal graph (EPG) analysis further revealed bifurcated evolutionary trajectories for drug resistance that correspond to ER-dependent vs. ER-independent mechanisms. Using elastic net models trained on in vitro CRISPR knockout screen data, we predicted a shift in therapeutic dependency on ESR1 and CDK4 among ER-dependent tumors to CDK2 among ER-independent tumors. These predictions were experimentally validated using genetically modified isogenic models. Citation Format: Zhengyan G. Kan, Ji Wen, Wenjing Yang, Vladimir Ivanov, Whijae Roh, Kimberly H. Kim, Chaoting Liu, Vinicius Bonato. Real-world clinical multi-omics and AI/ML analyses reveal bifurcation of drug resistance mechanisms to CDK4/6 inhibitors [abstract]. In: Proceedings of the AACR Special Conference in Cancer Research: Artificial Intelligence and Machine Learning; 2025 Jul 10-12; Montreal, QC, Canada. Philadelphia (PA): AACR; Clin Cancer Res 2025;31(13_Suppl):Abstract nr A042.
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 | 0,013 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».