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 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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».