Identification of the regulators of the immune checkpoint B7-H4 in a triple-negative breast cancer cell line
Bibliographic record
Abstract
Le cancer du sein, touchant une femme sur neuf au Canada, comprend plusieurs soustypesassociés à différents pronostics et standards de soins. Les traitements disponiblesciblent les cancers avec une expression élevée de marqueurs hormonaux, sans cibler lescancers négatifs pour ceux-ci, dénommées ‘triple-négatifs’ (TNBC). Une branche del'immunothérapie, qui se base sur les défenses immunitaires, cible les ‘points de contrôleimmunitaires’, dont l’inhibition peut stimuler la réponse anti-tumorale de l'hôte. Desniveaux élevés de lymphocytes T CD8+ dans les tumeurs TNBC corrèlent avec uneréponse améliorée à la chimiothérapie. Par conséquent, les stratégies visant à augmenterces cellules ont été proposées. Nous avons identifié des microenvironnements tumorauxdistincts chez des patientes TNBC, où les tumeurs pauvres en cellules immunitaires ontune expression élevée du point de contrôle immunitaire B7-H4 et un mauvais pronostic.J’hypothèse que l’expression tumorale de B7-H4, favorise l'immunosuppression etconstitue une cible thérapeutique pour ces patientes, mais peu est connu sur sarégulation. À cette fin, j'ai développé une analyse CRISPR pour identifier des régulateursde B7-H4. Les résultats montrent que des gènes liés à la modulation de la glycosylationde protéines sont aussi des régulateurs négatifs de l’expression tumorale de B7-H4; cesgènes ont subséquemment été sélectionnés pour validation par shRNA. Le processus devalidation présentait des résultats variables, indiquant la complexité du rôle de ces gènesliés à la glycosylation. Des stratégies de validation plus élaborées sont nécessaires pourpoursuivre l’étude des gènes liés à la glycosylation et des régulateurs positifs de B7-H4qui ont aussi été identifiés. Ces études s’attendent à identifier des cibles thérapeutiquesainsi que des outils de diagnostic améliorés pour les patientes atteintes de TNBC
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".