Development and Validation of an Intratumor Heterogeneity–Based Prognostic Model for Clear Cell Renal Cell Carcinoma
Notice bibliographique
Résumé
PURPOSE: Clear cell renal cell carcinoma (ccRCC) is characterized by marked intratumor heterogeneity (ITH), which contributes to therapeutic resistance and poor clinical outcomes. We aimed to develop a robust prognostic model for stratifying patients with ccRCC on the basis of ITH. METHODS: RNA-seq data from 522 patients with ccRCC in TCGA-KIRC were analyzed using the DEPTH algorithm to quantify ITH, with external validation in the E-MTAB-1980 cohort (N = 101). Differentially expressed genes between high and low DEPTH tumors were identified, and a machine learning framework was applied to develop the ITHscore. The ITHscore was compared with other published signatures in literature for ccRCC. RESULTS: ) was selected to compose the ITHscore, showing high accuracy in the development (5-year AUC = 0.957) and in the validation cohorts (5-year AUC = 0.82). The ITHscore had the best performance across all 45 retrieved signatures in both development and validation data sets. High-ITHscore tumors exhibited immunosuppressive microenvironments and were associated with immune checkpoint blockade (ICB) resistance signatures. The ITHscore was significantly associated with poor overall survival in five distinct tumor types across a meta-analysis of 104 independent data sets comprising 18,004 patients. CONCLUSION: We developed and validated the ITHscore, a three-gene expression-based model with superior prognostic performance in ccRCC. The ITHscore reflects key features of aggressiveness in tumor biology, including immune evasion and ICB resistance. Its minimal gene set and consistent performance across data sets support its potential for clinical implementation in ccRCC stratification.
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 ».