Comprehensive Multiomics Characterization of Perineural Invasion in Cervical Cancer Reveals Diagnostic Markers, Molecular Drivers, and Therapeutic Strategies
Notice bibliographique
Résumé
Perineural invasion (PNI) is an important pathologic feature of cervical cancer that is associated with poor prognosis and provides key information for clinical decisions. A better understanding of the molecular mechanisms underlying PNI could lead to improved patient treatment strategies. Here, we generated whole-exome, whole-genome, and RNA sequencing data from tumors and matched normal clinical samples of 45 patients with cervical cancer and performed a comparative analysis between 23 PNI and 22 non-PNI tumors. A robust machine learning approach identified a three-gene expression signature of MT1G, NPAS1, and SPRY1 that could predict the tumor PNI status with high accuracy, which was validated using an independent cohort (18 PNI and 19 non-PNI). Loss-of-function FBXW7 mutations were identified as driver events for PNI that lead to increased MYC activity and an immunosuppressive tumor microenvironment. Finally, a deep learning model for predicting drug efficacy over patients' transcriptomic data revealed OTX015, a BET inhibitor, as a promising treatment that targets mutated FBXW7 PNI tumors. This study provides a rich resource for elucidating the molecular mechanisms of PNI tumors, laying a critical foundation for developing effective diagnostic and therapeutic strategies for PNI tumors in cervical cancer. SIGNIFICANCE: Generation of a rich resource for characterizing the molecular basis of perineural invasion in tumors lays a critical foundation for developing effective diagnostic and therapeutic strategies in cervical cancer. This article is part of a special series: Driving Cancer Discoveries with Computational Research, Data Science, and Machine Learning/AI .
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 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».