Distinct Sarcoma Microenvironments Predict Benefit from Addition of Pembrolizumab to Preoperative Radiotherapy and Surgery in SU2C-SARC032
Notice bibliographique
Résumé
The addition of pembrolizumab to preoperative radiotherapy (RT) improved disease-free survival (DFS) for patients with stage III undifferentiated pleomorphic sarcoma (UPS) and dedifferentiated/pleomorphic liposarcoma (LPS) in the randomized SU2C-SARC032 trial. To precisely identify patients who benefit from pembrolizumab and RT, we performed comprehensive multi-omics profiling of pre- and post-treatment tumor and blood samples, including bulk RNA-seq, flow cytometry, and cytometry by time of flight. Additionally, we built a single-cell RNA-seq atlas spanning 65,786 cells from UPS and LPS to recover single-cell states in bulk tumor samples using digital cytometry. Two opposing tumor microenvironments (TMEs), immune-cold sarcoma ecotype 1 (SE1) and immune-hot sarcoma immune class E (SIC E), benefited from pembrolizumab. Pembrolizumab combined with RT depleted PD-1+ exhausted T cells in SIC E sarcomas and increased effector memory CD4+ T cells in SE1 sarcomas with an overall increase in CD8+ early activated T cells, CD4+ follicular helper T cells, and T cell receptor diversity. Matrix-remodeling stromal and epithelial-like sarcoma cell programs were associated with worse outcomes and diminished with pembrolizumab and RT. Our findings identify different mechanisms of response to pembrolizumab in localized, high-risk UPS/LPS and suggest that sarcoma TME signatures may identify patients most likely to benefit from adding pembrolizumab to preoperative RT.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».