Reference-free RNA profiling predicts triple negative breast cancer chemoresistance to neoadjuvant treatment
Notice bibliographique
Résumé
Triple negative breast cancer (TNBC) is the most aggressive breast cancer (BC) and often affects young women. TNBCs are highly heterogeneous and do not benefit from personalized medicine at localized stages. Most TNBC patients undergo neoadjuvant chemotherapy (NAC) before surgery. In case of chemoresistance with residual tumor after NAC, survival is poor despite execution of complete tumor resection. There is currently no clinically useful biomarker to predict TNBC chemoresistance to NAC that would enable targeted therapeutic intensification. We analyzed here a unique cohort of 106 TNBC tumors before NAC, including 58 chemoresistant and 48 chemosensitive cases, from 2 independent hospitals. Using machine learning under a nested cross-validation design, we obtained two transcriptomic signatures respectively generated from standard differential gene expression analysis and reference-free analysis of differential fragments of transcripts, without any annotation bias. This approach resulted in accurate signatures of TNBC chemoresistance to NAC. Gene ontology analyses of reference-free signatures highlighted DNA repair, replication, and metabolism, in agreement with current knowledge of TNBC resistance biology. In summary, these results show the potential of a reference-free generated transcriptomic signature as predictive biomarker of early TNBC chemoresistance.
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 ».