Multiomics Profiling of T-cell Leukemia and Lymphoma Enables Targeted Therapeutic Discovery
Notice bibliographique
Résumé
T-cell leukemias and lymphomas (TCL) form a heterogeneous group of rare and often aggressive malignancies. Because of the rarity and heterogeneity of TCL subtypes, clinical trials are challenging to conduct, making pharmacogenomic studies in cell line panels critical for the discovery of targeted therapeutics. The scarcity of data repositories with integrated multiomics and drug screening data hinders the preclinical evaluation of drug vulnerabilities and the identification of molecular markers predictive of responses to monotherapies and combinations. To address this gap, we conducted comprehensive pharmacogenomic profiling on a panel of 38 TCL cell lines, representing major clinical TCL subtypes to capture the molecular and phenotypic diversity. The TCL-38 multiomics data resource includes harmonized genetic, molecular, and epigenetic profiles, with comprehensive annotations and standardized drug response assessment of each cell line. This resource, together with machine learning predictions, was leveraged to identify TCL subtype-specific therapeutic vulnerabilities, including single-agent sensitivities and synergistic drug combinations, which were linked to genetic or epigenetic features as potential predictive biomarkers. This integrated and openly available resource (https://aittokallio.group/tcl38) could help advance the currently limited treatment options for patients with TCL. SIGNIFICANCE: Integrated and harmonized multiomics analyses and drug screening across a heterogeneous panel of T-cell leukemias and lymphomas provide a resource to uncover drug targets and predictive biomarkers to improve patient outcomes.
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 | 0,001 |
| 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 ».