In carcinoma of the bladder, both intravesical chemotherapy and immunotherapy can induce tumor regression and reduce the rate of recurrence, but the relative merits of these two therapies are unclear. We conducted a multi-institutional study to address this question.Patients with rapidly recurrent (stage Ta and T1) or in situ transitional-cell carcinoma of the bladder were randomly assigned to receive either doxorubicin administered intravesically or bacille Calmette-Guérin (BCG) administered both intravesically and percutaneously. The 262 eligible patients were followed for a median of 65 months. Complete responses to treatment of carcinoma in situ were confirmed by biopsy and cytologic analysis of the urine.For patients with Ta and T1 tumors without carcinoma in situ, the estimated probability of being disease free at five years was 17 percent after doxorubicin, as compared with 37 percent after immunotherapy with BCG (P = 0.015). The median times to treatment failure (termination of treatment, due to persistence, recurrence, or progression of disease) were 10.4 and 22.5 months, respectively. For patients with carcinoma in situ the complete-response probability estimates (i.e., the estimated probability of documented disappearance of disease) were 34 percent for doxorubicin (23 of 67 patients) and 70 percent for BCG (45 of 64 patients) (P less than 0.001); the median times to treatment failure were 5.1 and 39 months, respectively. The probability of being disease-free at five years survival among the patients with carcinoma in situ was 18 percent after treatment with doxorubicin and 45 percent after BCG therapy. Patients treated with BCG had a higher incidence of toxic systemic effects and a larger number of local irritative symptoms than patients treated with doxorubicin, but few of these adverse reactions were severe.As compared with intravesical doxorubicin, immunotherapy with BCG provides improved protection against the recurrence of superficial bladder cancer.

Abstract The genome is a sequence that completely encodes the DNA, RNA, and proteins that orchestrate the function of a whole organism. Advances in machine learning combined with massive datasets of whole genomes could enable a biological foundation model that accelerates the mechanistic understanding and generative design of complex molecular interactions. We report Evo, a genomic foundation model that enables prediction and generation tasks from the molecular to genome scale. Using an architecture based on advances in deep signal processing, we scale Evo to 7 billion parameters with a context length of 131 kilobases (kb) at single-nucleotide, byte resolution. Trained on whole prokaryotic genomes, Evo can generalize across the three fundamental modalities of the central dogma of molecular biology to perform zero-shot function prediction that is competitive with, or outperforms, leading domain-specific language models. Evo also excels at multielement generation tasks, which we demonstrate by generating synthetic CRISPR-Cas molecular complexes and entire transposable systems for the first time. Using information learned over whole genomes, Evo can also predict gene essentiality at nucleotide resolution and can generate coding-rich sequences up to 650 kb in length, orders of magnitude longer than previous methods. Advances in multi-modal and multi-scale learning with Evo provides a promising path toward improving our understanding and control of biology across multiple levels of complexity.