Gene expression signature predicts radiation sensitivity in cell lines using the integral of dose–response curve
Notice bibliographique
Résumé
Abstract Background Although substantial efforts have been made to build molecular biomarkers to predict radiation sensitivity, the ability to accurately stratify the patients is still limited. In this study, we aim to leverage large-scale radiogenomics datasets to build genomic predictors of radiation response using the integral of the radiation dose–response curve. Methods Two radiogenomics datasets consisting of 511 and 60 cancer cell lines were utilized to develop genomic predictors of radiation sensitivity. The intrinsic radiation sensitivity, defined as the integral of the dose–response curve (AUC) was used as the radioresponse variable. The biological determinants driving AUC and SF2 were compared using pathway analysis. To build the predictive model, the largest and smallest datasets consisting of 511 and 60 cancer cell lines were used as the discovery and validation cohorts, respectively, with AUC as the response variable. Results Utilizing a compendium of three pathway databases, we illustrated that integral of the radiobiological model provides a more comprehensive characterization of molecular processes underpinning radioresponse compared to SF2. Furthermore, more pathways were found to be unique to AUC than SF2—30, 288 and 38 in KEGG, REACTOME and WIKIPATHWAYS, respectively. Also, the leading-edge genes driving the biological pathways using AUC were unique and different compared to SF2. With regards to radiation sensitivity gene signature, we obtained a concordance index of 0.65 and 0.61 on the discovery and validation cohorts, respectively. Conclusion We developed an integrated framework that quantifies the impact of physical radiation dose and the biological effect of radiation therapy in interventional pre-clinical model systems. With the availability of more data in the future, the clinical potential of this signature can be assessed, which will eventually provide a framework to integrate genomics into biologically-driven precision radiation oncology.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».