Novel Predictive Spatial Biomarker in Non-Small Cell Lung Carcinoma: The Diversity of Niches Unlocking Treatment Sensitivity (DONUTS)
Notice bibliographique
Résumé
SUMMARY Probabilistic spatial modelling techniques developed on large-scale tumor-immune Atlases (∼35M individually mapped cells; 50,000 high power fields) were used to characterize predictive features of treatment-responsive lung cancer. We identified CD8+FoxP3+ cell density as a robust pre-treatment biomarker for outcomes across disease stages and therapy types. In parallel, single-cell RNAseq studies of CD8+FoxP3+ T-cells revealed an activated, early effector phenotype, substantiating an anti-tumor role, and contrasting with CD4+FoxP3+ T-regulatory cells. A spatial biomarker was developed using an empirical probabilistic model to define the immediate cell neighbors or niche surrounding CD8+FoxP3+ cells and proximity to the tumor-stromal boundary. The resultant ‘Diversity of Niches Unlocking Treatment Sensitivity (DONUTS)’ are more prevalent than the CD8+FoxP3+ cells themselves, mitigating sampling error in small biopsies. Further, the DONUTS only require four markers, are additive to PD-L1, and associate with tertiary lymphoid structure counts. Taken together, the DONUTS represent a next-generation predictive biomarker poised for clinical implementation. HIGHLIGHTS Large-scale tumor-immune Atlases drive robust computational biomarker development CD8+FoxP3+ cells are anti-tumor T-cells and predict response to therapy The niches or spatial ‘donuts’ around CD8+FoxP3+ cells boost biomarker performance CD8+FoxP3+ donuts are hallmarks of a larger immune organization that includes TLS
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».