Mounting evidence has demonstrated the vital importance of tumor-associated macrophages (TAMs) and exosomes in the formation of the premetastatic niche. However, the molecular mechanisms by which tumor-derived exosomal miRNAs interact with TAMs underlying premetastatic niche formation and colorectal cancer liver metastasis (CRLM) remain largely unknown.Transmission electron microscopy and differential ultracentrifugation were used to verify the existence of exosomes. In vivo and in vitro assays were used to identify roles of exosomal miR-934. RNA pull-down assay, dual-luciferase reporter assay, etc. were applied to clarify the mechanism of exosomal miR-934 regulated the crosstalk between CRC cells and M2 macrophages.In the present study, we first demonstrated the aberrant overexpression of miR-934 in colorectal cancer (CRC), especially in CRLM, and its correlation with the poor prognosis of CRC patients. Then, we verified that CRC cell-derived exosomal miR-934 induced M2 macrophage polarization by downregulating PTEN expression and activating the PI3K/AKT signaling pathway. Moreover, we revealed that hnRNPA2B1 mediated miR-934 packaging into exosomes of CRC cells and then transferred exosomal miR-934 into macrophages. Interestingly, polarized M2 macrophages could induce premetastatic niche formation and promote CRLM by secreting CXCL13, which activated a CXCL13/CXCR5/NFκB/p65/miR-934 positive feedback loop in CRC cells.These findings indicate that tumor-derived exosomal miR-934 can promote CRLM by regulating the crosstalk between CRC cells and TAMs. These findings reveal a tumor and TAM interaction in the metastatic microenvironment mediated by tumor-derived exosomes that affects CRLM. The present study also provides a theoretical basis for secondary liver cancer.

Colorectal cancer (CRC) is 3rd most commonly diagnosed cancer in males and the second in females. PD-1/PD-L1 axis, as an immune checkpoint, is up-regulated in many tumors and their microenvironment. However, the prognostic value of PD-1/PD-L1 in CRC remains unclear.The Cancer Genome Atlas (TCGA) database (N = 356) and Fudan University Shanghai Cancer Center (FUSCC) cohort of patients (N = 276) were adopted to analyze the prognostic value of PD-L1 in colorectal tumor cells (TCs) and of PD-1 in tumor infiltrating cells (TILs) for CRC. Subgroup analyses were conducted in FUSCC cohort according to patients' status of mismatch repair.In TCGA cohort, the cut-off values of PD-1 and PD-L1 expression were determined by X-tile program, which were 4.40 and 2.92, respectively. Kaplan-Meier analysis indicated that higher PD-1 and PD-L1 expressions correlated with better OS (P = 0.032 and P = 0.002, respectively). In FUSCC cohort, expressions of PD-1 on TILs and PD-L1 on TCs were analyzed separately by immunohistochemistry (IHC) staining based on a TMA sample (N = 276) and revealed that both TILs-PD-1 and TCs-PD-L1 were associated with OS (P = 0.006 and P = 0.002, respectively) and DFS (P = 0.025 and P = 0.004, respectively) of CRC patients. Multivariate Cox regression analysis indicated TILs-PD-1 was an independent prognostic factor both for OS and DFS of CRC patients (P < 0.05). Subgroup analyses showed that TILs-PD-1 was an independent prognostic factor for both OS and DFS in CRC patients in MSS-proficient subgroup (P < 0.05), while neither of them correlated with OS or DFS in MSS-deficient subgroup (P > 0.05).Higher expressions of PD-1 and PD-L1 correlates with better prognosis of CRC patients. TILs-PD-1 is an independent prognostic factor for OS and DFS of CRC patients, especially for MMR-proficient subgroup.

Rationale: Colorectal cancer (CRC) is a malignant tumor with the third highest morbidity rate among all cancers. Driven by the host's genetic makeup and environmental exposures, the gut microbiome and its metabolites have been implicated as the causes and regulators of CRC pathogenesis. We assessed human fecal samples as noninvasive and unbiased surrogates to catalog the gut microbiota and metabolome in patients with CRC. Methods: Fecal samples collected from CRC patients (CRC group, n = 50) and healthy volunteers (H group, n = 50) were subjected to microbiome (16S rRNA gene sequencing) and metabolome (gas chromatography-mass spectrometry, GC-MS) analyses. The datasets were analyzed individually and integrated for combined analysis using various bioinformatics approaches. Results: Fecal metabolomic analysis led to the identification of 164 metabolites spread across 40 metabolic pathways in both groups. In addition, there were 42 and 17 metabolites specific to the H and CRC groups, respectively. Sequencing of microbial diversity revealed 1084 operational taxonomic units (OTUs) across the two groups, and there was less species diversity in the CRC group than in the H group. Seventy-six discriminatory OTUs were identified for the microbiota of H volunteers and CRC patients. Integrated analysis correlated CRC-associated microbes with metabolites, such as polyamines (cadaverine and putrescine). Conclusions: Our results provide substantial evidence of a novel interplay between the gut microbiome and metabolome (i.e., polyamines), which is drastically perturbed in CRC. Microbe-associated metabolites can be used as diagnostic biomarkers in therapeutic explorations.

e15630 Background: The long-term efficacy of laparoscopic versus open surgery for low rectal cancer has not yet been established. The primary outcome of 3-year disease free survival (DFS) have been published (Chi et al., ASCO GI 2024). Here, we presented the data of 5-year outcomes, including DFS and overall survival (OS) and locoregional recurrence. Methods: This is a multicenter, noninferiority trial. A total of 1070 patients scheduled for curative-intent resection of low rectal cancer were randomized at a 2:1 ratio to undergo laparoscopic or open surgery from November 2013 to June 2018. All analyses were performed on an modified intention-to-treat (mITT) basis. Results: The final analysis included 1039 patients (median age: 57 years, 620 men; 685 and 354 in laparoscopic and open groups, respectively). Clinical TNM stage was II/III in 659 patients, and I in the remaining 380 patients. The 5-year DFS rate was 76.4% in the laparoscopic group versus 75.6% in the open group (log-rank P = 0.766). The 5-year OS rate was 84.6% in the laparoscopic group versus 86.6% in the open group (log-rank P = 0.405). The 5-year locoregional recurrence rate was 5.5% and 3.1%, respectively (log-rank P = 0.079). Conclusions: The findings of the LASRE trial demonstrate that the noninferiority of laparoscopic surgery compared to open surgery for low rectal cancer, as evidenced by the 3-year outcomes, is sustained over a 5-year period when conducted by skilled surgeons. These results affirm laparoscopic surgery as a secure and minimally invasive option for the treatment of low rectal cancer. Clinical trial information: NCT01899547 .

Pelvic exenteration is often required for primary rectal cancer beyond total mesorectal excision (PRC-bTME) and locally recurrent rectal cancer (LRRC). Some patients with radical resection can achieve long-term survival, but they need to face risks, such as huge surgical trauma, serious perioperative complications, permanent loss of organ function and decline in quality of life. Preoperative evaluation of PRC-bTME and LRRC should emphasize multidisciplinary collaboration and develop individualized diagnosis and treatment strategies. The principles of function preservation and risk-benefit balance in surgery oncology should be followed, and R0 resection should be emphasized. Perioperative complications, surgical trauma and organ function loss should be minimized to achieve the best quality control and balance point. This consensus was formulated by the Colorectal Cancer Committee of the Chinese Medical Doctor Association and the Gastrointestinal Surgery Committee of China International Exchange and Promotive Association for Medical and Health Care. The draft was formed based on the summary of domestic and foreign research progress and expert experience. After discussion, review and modification by experts, an anonymous voting was conducted for each major opinion, and in-depth verification was carried out according to the principles of evidence-based medicine. Finally, the Chinese expert consensus on the pelvic exenteration with primary rectal cancer beyond total mesorectal excision planes and locally recurrent rectal cancer (2023 edition) was formed. This consensus mainly summarizes the indications and contraindications of pelvic exenteration (PE) for PRC-bTME and LRRC, preoperative diagnosis and evaluation, perioperative treatment, as well as the resection scope, surgical methods, reconstruction of related organs, safety and complications of PE, postoperative follow-up and other issues, in order to provide guidance for PE in patients with PRC-bTME and LRRC.

Pep2TCR is an advanced deep learning model designed to predict cluster of differentiation 4 (CD4) T cell receptor (TCR) binding specificity, addressing the challenge posed by limited CD4 TCR data. It shows marked improvement over existing models. Pep2TCR is accessible via a user-friendly website for predicting CD4 TCR specificity at http://pep2tcr.liuxslab.com. This innovative tool holds promise for advancing personalized cancer immunotherapies. Neoantigens are short peptides ranging from 8 to 30 amino acids that are presented on the cell surface by the major histocompatibility complex (MHC). These peptides are derived from mutated DNA within tumor cells and are crucial in immunoediting [1]. MHC molecules present these neoantigens, forming peptide–MHC (pMHC) complexes, which then bind to T cell receptors (TCRs) on T cell surfaces, triggering targeted immune responses [2]. While previous emphasis in tumor immunotherapy focused on CD8+ T cells, the role of CD4+ T cells was often overlooked. However, practical immune therapy has revealed that relying solely on activating CD8+ T cells falls short in tumor elimination; the combined efforts of CD4+ and CD8+ T cells are necessary [3]. CD4+ T cells exhibit diverse functions within tumors, secreting cytokines like IL-2, IFNγ, and TNF to sustain antitumor activity [4]. Furthermore, existing reports have indicated that neoantigen-reactive CD4+ T cells hold tremendous potential for enhancing immunotherapy [5]. Therefore, focused exploration of CD4+ T cell TCR specificity is of paramount importance, offering deeper insights and potential for cancer immunotherapy. However, there is limited knowledge regarding the binding specificity between the neoantigens and their corresponding TCRs. Various experimental techniques have been developed to study the binding between TCRs and pMHCs, including tetramer analysis and TCR sequencing-based tetramers [6, 7]. However, these methods are time-consuming, labor-intensive, and expensive. The accumulation of TCR-related sequencing data has led to the emergence of several comprehensive TCR-related databases [8, 9]. Given the extensive data available, there is an urgent need to utilize bioinformatics methods for exploration. In 2020, Springer et al. developed pEptide tcR matchinG predictiOn (ERGO) [10], which utilized ERGO-LSTM and ERGO-AE networks constructed with long short-term memory (LSTM) and autoencoder (AE) to predict TCR specificity. In 2021, Xu et al. proposed DLpTCR [11], a new deep-learning model that employed an ensemble strategy to predict cluster of differentiation 8 (CD8) TCR specificity. In 2023, Pham et al. proposed epiTCR [12], a random forest-based method that achieved good performance in predicting CD8 TCR–peptide binding specificity. Other related studies include TCRAI, Panpep (Pan-Peptide Meta Learning), and pMTnet (pMHC–TCR binding prediction network), among others [13-15]. However, these existing tools primarily focus on CD8 TCRs and lack effectiveness in predicting CD4 TCR specificity due to limited CD4 data. Given the importance of CD4+ T cells, there is an urgent need for accurate prediction of CD4 TCR specificity. In this study, we developed an effective model called Pep2TCR to address this issue (Figure 1A). We created CD8 TCR specificity prediction models (referred to as CD8 models, including LSTM and convolutional neural network [CNN] models, see Supporting Information Methods) and CD4 TCR specificity prediction models (referred to as CD4 models) by gathering TCR–peptide binding data from public databases and literature sources [8, 9, 11, 14, 15]. Due to the abundance of CD8-related data compared to limited CD4-related data, we employed a transfer learning strategy. This allowed us to transfer the parameters from the CD8 models to the CD4 models. We further optimized the transferred CD4 models using an ensemble approach, resulting in accurate predictions for CD4 TCR specificity. By incorporating information on tumor neoantigens and the prediction outcomes of Pep2TCR [16, 17], we observed that CD4+ T cells activated by MHC II neoantigens exhibited higher cytotoxicity, increased clonal frequency, and a tendency to be in an exhausted state. To summarize, Pep2TCR is a valuable tool for predicting CD4 TCR specificity and has applications in the field of immunology. Our analysis reveals that the CDR3β length distribution of CD8 TCRs matches that of CD4 TCRs, despite differences in the typical length of their respective binding epitopes, with CD8 TCRs binding around nine amino acids and CD4 TCRs binding around 15 amino acids (Figure S2A,B). Given that the volume of CD8 TCR specificity data is nearly nine times that of CD4 TCR specificity data, we utilized a transfer learning strategy to pretrain models for the downstream task (CD4 TCR specificity prediction). Initially, we trained and evaluated CD8 models. In Figure S3A, the CD8 LSTM and CNN models demonstrated good receiver operating characteristic–area under the curve (ROC–AUC) and precision-recall–area under the curve (PR–AUC). Subsequently, we selected the best-performing models from the 10-fold cross-validation as our final CD8 models. On the CD8 independent validation data set, both the CD8 LSTM and CD8 CNN models demonstrated good generalization ability (Figure S3B). For detailed data processing and negative sampling methods, please refer to the Supporting Information Methods and Figure S1. We started by transferring the parameters of the CD8 models to the CD4 models to initialize the parameter set effectively. On the CD4 independent validation data set I, we observed a significant performance enhancement for the CD4 CNN model with transfer learning (Figure S4A,B). These results suggest that the effects of transfer learning vary depending on the model type. To further enhance the performance of CD4 models, we used the ensemble approach. We constructed two models: Avg-Ensemble and Sub-Ensemble (see Supporting Information Methods). The analysis results demonstrate that Avg-Ensemble displayed significant improvement on the CD4 independent validation data set I, suggesting improved generalization ability (Figure S4C,D). As a result, we selected Avg-Ensemble as the final model named "Pep2TCR." Furthermore, Figure 1B illustrates a significant improvement in Pep2TCR after applying transfer learning. Additionally, we sought to evaluate the performance of a large language model. Given the relatively small size of our training data set, we selected the ESM2_t6_8M_UR50D version based on its balance of performance and computational efficiency [18]. We employed ESM2 as a feature extractor for TCR and antigen peptides. The extracted features were then fed into the MLP to predict TCR–peptide binding interactions (Method). Figure S5A,B indicated that the ESM2-based model achieved performance comparable to our transfer learning-based CNN model. However, our transferred LSTM still outperformed the ESM2 model for this specific task. This outcome suggests that pretraining on the CD8 data set provides advantages over directly applying large-scale, general protein language models for predicting TCR–peptide interactions. We compared the performance of Pep2TCR with existing CD4 TCR specificity prediction tools using two independent CD4 TCR specificity data sets. First, we compared Pep2TCR with conventional classifiers. The results are shown in Figure S4E,F, indicating that Pep2TCR has shown a clear superiority over these conventional classifiers. Next, we compared Pep2TCR with the ERGO series models [10, 19]. Pep2TCR achieved greater ROC–AUCs and PR–AUCs on independent validation data sets I and II (Figures S6A,B and S7A,B). In other metrics, Pep2TCR also outperforms ERGO on independent validation data set I (Figures 1C and S7C) and independent validation data set II (Figures S6C and S7D). Detailed confusion matrices also demonstrate the strong generalization ability of Pep2TCR (Figure S8A). In addition, we show ROC–AUCs of Pep2TCR and ERGO on four most common epitopes in the combined CD4 validation data set (Figure S8B). The performance of Pep2TCR on the CD8 data set is shown on Figure S7E,F, and its performance remains stable across CD4 independent data sets with varied sequence similarity thresholds (Figure S8C,D, detailed in Supporting Information Results). Therefore, Pep2TCR shows significantly improved performance compared with existing tools in predicting the binding specificity of CD4 TCR–peptide. we also provide a binding rank value, where smaller values indicate stronger binding. We randomly selected 1000 CD4 TCRs as a background and defined two thresholds: a rank value within 0.05 represents strong binding, while within 0.1 represents weak binding. We used the combined CD4 independent validation data set to evaluate model performance. It is evident that all metrics of Pep2TCR significantly surpass the metrics of ERGO, demonstrating the improved generalization ability of Pep2TCR compared with existing tools (Figure S9). To evaluate how well Pep2TCR can predict TCR recognition of peptides that were not included in the training data set (referred to as "unseen peptides"), we partitioned the positive pairs of two CD4 independent validation data sets into a shared peptide data set and a unique peptide data set. We used the shuffle method to balance them (Supporting Information Methods). The share peptide data set consists 158 peptide–TCR pairs and 12 peptides that were already included in the training data, while the unique peptide data set consists 1527 peptide–TCR pairs and 34 peptides that had never been seen in the training data. Figure S6D and S6E illustrate the performance of Pep2TCR and ERGO on these two data sets. The results demonstrate that Pep2TCR outperforms existing tools on both data sets. The TCR prediction for unseen peptide is still a significant scientific challenge [14, 20]. Our results suggest that Pep2TCR has strong generalization capabilities when it comes to predicting TCR recognition of unseen peptides. We analyzed the single-cell data set of infiltrating CD4+ T cells in gastrointestinal tumors from Zheng et al.'s study [16]. This data set contains transcriptome data, TCR sequencing data, and genomic DNA mutation status of patients. Our objective was to identify signatures of CD4+ T cells activated by neoantigens. To achieve this, we utilized the mutation pool mainly mentioned in the study (called PP1 pool, a series of point mutations) along with netMHCIIpan 4.0 [17] to predict MHCII-presented neoantigens, setting thresholds below 5% for binding neoantigens. We obtained numerous CD4 TCRs from the TCR sequencing data, and subsequently used Pep2TCR to predict the binding between CD4 TCRs and predicted neoantigens, aiming to identify neoantigen-reactive CD4+ T cells with a prediction score threshold of 0.54 to control the number of neoantigen-reactive CD4+ T cells. In total, we identified 479 neoantigen-reactive CD4+ T cells and 714 CD4+ T cells that were not activated by neoantigens. While the majority of CD4+ T cells do not typically exhibit cytotoxic functions, it is important to note that under certain conditions, such as in response to neoantigens, CD4+ T cells can acquire cytotoxic capabilities. We calculated normalized exhaustion and cytotoxicity scores (see Supporting Information Methods for details and limitations), which revealed that neoantigen-reactive CD4+ T cells displayed higher exhaustion and cytotoxicity (Figure S10A). Moreover, these cells exhibited elevated clonal levels (Figure S10B). This is consistent with Zheng et al.'s study. We also calculated the proportions of cells expressing high levels of IL7R, HOPX, or ADGRG1. This analysis indicated enhanced expression of the effector/memory Th1 cell marker HOPX and the cytotoxicity-related gene ADGRG1, while the memory T-cell marker IL7R expression was reduced in neoantigen-reactive CD4+ T cells (Figure S10C), suggesting that neoantigen-reactive CD4+ T cells are likely cytotoxic effector Th1 cells. These findings are in line with Zheng's study [16]. In summary, neoantigen-reactive CD4+ T cells demonstrate potent cytotoxicity and undergo clonal expansion for effective tumor cell elimination. However, excessive responses can lead to cellular exhaustion. The precise identification and prediction of TCR–peptide binding have significant implications in various immunological domains, such as vaccine and TCR-T design. In this study, we have developed advanced Pep2TCR to predict CD4 TCR–peptide interactions by utilizing transfer learning and ensemble learning techniques, given the critical role of CD4+ T cells in immunity and the absence of suitable predictive tools. In the context of TCR specificity prediction, our study has harnessed transfer learning to bridge the data gap between CD8 and CD4 T cell models. Notably, our investigation has revealed that the utility of transfer learning is influenced by the architectural characteristics of the models employed. The transfer learning approach employed in Pep2TCR played a pivotal role in bridging the data gap between CD8 and CD4 T cell models, ultimately enabling accurate predictions of CD4 TCR–peptide interactions. By leveraging the knowledge and representations learned from the abundant CD8 T cell data, our models could effectively generalize to the CD4 domain, where data scarcity has traditionally posed a significant challenge. In such cases, the transferred knowledge from the CD8 domain acted as a crucial prior, enabling the models to make more accurate predictions and generalize better to unseen CD4 contexts (Figures 1B, S4, and S5). This finding underscores the potential of transfer learning as a powerful tool for overcoming data scarcity challenges in immunological and biological applications. Pep2TCR surpassed other established and conventional models, with extensive applications in exploring immunity, such as validating signatures of neoantigen-reactive CD4+ T cells. Those results validated the effectiveness of transfer learning and ensemble learning techniques. One interesting observation is that in our CD4 data sets (Figure S2C), the epitope source distribution differs. The epitope source in both CD4 independent data sets is mainly derived from various cancers, while the epitope source in the CD4 training data set mainly focuses on pathogens. This difference makes the independent data sets more independent and validates the performance of Pep2TCR once again. It is important to note that Pep2TCR currently focuses only on the CDR3 region of TCR β-chains and peptide information, while disregarding α-chains and MHC details. This aligns with prevailing approaches due to limited data availability and the relatively lower significance of MHC information in this context (Supporting Information Methods). However, as more data becomes available, it could be beneficial to incorporate MHC and α-chain data into Pep2TCR for improved predictions. Although Pep2TCR outperforms current models, there is still room for enhancement. Possible avenues for improvement include: (1) Expanding the training data set to enhance generalization capability; (2) Considering the integration of MHC and α-chain data, especially with larger data set sizes, to achieve more accurate predictions; (3) Currently, Pep2TCR does not account for ternary complex structural information due to the lack of 3D crystal structure data. We anticipate that incorporating structural details will provide a new perspective for model learning and enhance Pep2TCR's performance. Finally, researchers can utilize Pep2TCR by accessing our Docker image at https://hub.docker.com/r/liuxslab/pep2tcr and website at http://pep2tcr.liuxslab.com. With the emergence of precision medicine, we anticipate that Pep2TCR has the potential to propel tumor immunology research forward and offer valuable support to immunotherapies. Pep2TCR is an innovative model that accurately predicts CD4 TCR binding specificity using transfer learning and ensemble approaches. By leveraging abundant CD8 TCR data, it effectively bridges the data gap in CD4 TCR specificity prediction. Pep2TCR demonstrates superior performance compared to existing methods and holds significant promise for advancing personalized cancer immunotherapies. Kaixuan Diao: Writing—original draft; writing—review and editing; visualization; validation; methodology; software; formal analysis; project administration; data curation. Tao Wu: Investigation; writing—review and editing. Xiangyu Zhao: Data curation. Nan Wang: Data curation. Die Qiu: Data curation. Wei-Liang Wang: Supervision. Xinxiang Li: Supervision; writing—review and editing; project administration. Xue-Song Liu: Writing—review and editing; conceptualization; data curation; supervision; funding acquisition; resources; project administration. We thank ShanghaiTech University High Performance Computing Public Service Platform for computing services. We thank the multiomics facility and molecular cellular facility of ShanghaiTech University for their technical help. This work was partly supported by cross disciplinary research fund of Shanghai Ninth People's Hospital, Shanghai JiaoTong University School of Medicine (JYJC202227), National Natural Science Foundation of China (82373149), open project fund of the National Health Commission's key laboratory of individualized diagnosis and treatment of nasopharyngeal cancer (2023NPCCK02), and startup funding from ShanghaiTech University. The authors declare no conflict of interest. No animals or humans were involved in this study. The data that support the findings of this study are openly available in Pep2TCR at https://github.com/XSLiuLab/Pep2TCR. The Pep2TCR package developed in the study is available on GitHub at https://github.com/XSLiuLab/Pep2TCR. The collected data are on GitHub at https://github.com/XSLiuLab/Pep2TCR/tree/main/data. Pep2TCR docker is on DockerHub at https://hub.docker.com/r/liuxslab/pep2tcr. Pep2TCR website is available at http://pep2tcr.liuxslab.com. Supporting Information Materials (figures, scripts, graphical abstract, slides, videos, Chinese translated version and update materials) may be found in the online DOI or iMeta Science http://www.imeta.science/imetaomics/. Figure S1 Data processing workflow. Figure S2 Distribution of independent validation data for CD8 and CD4 models. Figure S3 The trained CD8 models demonstrate good generalization ability. Figure S4 Transfer learning and ensemble approach enhance the performance of TCR specificity prediction models. Figure S5 Pep2TCR outperforms ESM2-based model. Figure S6 Pep2TCR surpasses existing tools in CD4 TCR specificity prediction. Figure S7 Pep2TCR outperforms existing tools in CD4 TCR specificity prediction. Figure S8 Validating the performance of Pep2TCR. Figure S9 Validation of Pep2TCR in the context of binding rank. Figure S10 Application of Pep2TCR in recognizing the signatures of neoantigen-reactive CD4+ T cell. Please note: The publisher is not responsible for the content or functionality of any supporting information supplied by the authors. Any queries (other than missing content) should be directed to the corresponding author for the article.

e15627 Background: MMR proteins status is not routinely detected in CRC patients. Neoadjuvant use of immune checkpoint inhibitors (ICIs) in deficient mismatch repair (dMMR) CRC patients can achieve a pathological complete response (pCR) rate of 60-100%. Conversely, dMMR/MSI-H patients may exhibit a poor response to conventional neoadjuvant therapy, although supporting evidence is limited. Methods: We retrospectively collected clinical data from patients who underwent neoadjuvant chemoradiotherapy or chemotherapy at Fudan University Shanghai Cancer Center from 2008 to 2021, excluding those who received neoadjuvant ICIs. MMR proteins were detected using immunohistochemistry on surgical samples or preoperative colonoscopy biopsy samples, and some patients underwent genetic testing to evaluate their microsatellite status. This study included M0 CRC patients with complete tumor regression grading (TRG) assessment and MMR/MSI status. Responses were assessed using TRG evaluation (AJCC-TRG system) on the primary tumor. Results: Among 1005 patients, the median age was 57 years (range: 19-95), with 643 males (64.0%) and 362 females (36.0%). Seventy-two (7.2%) had right colon cancer, 80 (8.0%) had left colon cancer, and 853 (84.9%) had rectal cancer. Fifty-five (5.5%) had dMMR, and 950 (94.5%) had proficient mismatch repair (pMMR). In dMMR patients, defective proteins included hMLH1 and PMS2 combined in 22 patients, hMSH6 in 14 patients, PMS2 in 9 patients, hMSH6 and hMSH2 combined in 6 patients, hMLH1 in 2 patients, hMLH1 and hMSH6 combined in 1 patient, and hMSH6, PMS2, and hMSH2 combined in 1 patient. Compared to pMMR patients, dMMR patients showed either no response or poor response to conventional neoadjuvant therapy, with no patients exhibiting TRG = 0/1. One hundred and eleven (11.7%) pMMR patients showed a good response (TRG = 0/1). There was no statistically significant difference in overall survival between the two groups of patients (HR, 1.547; 95% CI: 0.9221-2.596; P = 0.172). Conclusions: Although our study is retrospective and some patients with pCR lacked MMR expression information, we can still conclude that dMMR patients have a poor response to conventional neoadjuvant therapy, and neoadjuvant ICIs treatment may be a better choice for dMMR patients. We recommend routine immunohistochemistry of MMR proteins in preoperative colonoscopies to guide the development of neoadjuvant strategies. [Table: see text]

TPS3631 Background: Rectal cancer (RC) with synchronous resectable liver/lung metastases is commonly treated with surgery combined with systemic chemotherapy or local therapies. Prognosis remains poor. Microsatellite stable (MSS) are characterized by an immunosuppressive microenvironment and a low response rate to immunotherapy. Chemotherapy and Radiotherapy have been reported to potentially promote immunotherapy response. MIRACLE1 will investigate the safety and efficacy of Short-course radiotherapy (SCRT) combined with CapeOx and tirelizumab in MSS metastatic RC. Methods: We designed a single-arm, multicenter, phase II trial in MSS RC. MSS status is determined by normal immunohistochemical nuclear expression of all the mismatch repair genes MSH2, MSH6, MLH1 and PMS2. Additional inclusion criteria include RC with a distance of ≤ 10 cm from the anus by MRI evaluation and single or multiple measurable metastases in the liver and/or lungs (RECIST version 1.1) evaluated as resectable after MDT discussion. Exclusion criteria include patients with distant metastasis to parts other than the liver and lungs, including the brain, bone, ovary, peritoneum, and multiple retroperitoneal lymph node metastases.Patients are treated with radiotherapy including 25 Gy/5 fractions short-course hypofractionated radiotherapy (HFRT) for primary lesions and HFRT or stereotactic body radiotherapy (SBRT) for metastatic lesions. Afterward, six cycles of chemoimmunotherapy consisting of CapeOX and tislelizumab will be administered. Tislelizumab is administered intravenously (200 mg) along with each cycle of chemotherapy. Efficacy evaluations are conducted after the third and sixth cycles of chemoimmunotherapy and include radiological and serological evaluations. According to the efficacy evaluation results, a watch-and-wait nonoperative approach or surgical resection is performed. After surgery, postoperative treatment is to be determined by the investigators. Tislelizumab is to be maintained until one year after surgery. The primary endpoint of this study is the 1-year no-evidence of disease (NED) rate. The secondary endpoints include objective response rate (ORR), overall survival (OS), progression-free survival (PFS) and acute toxicity related to immunotherapy. 52 patients will be enrolled to ensure 47 evaluable. The design has 80% power to detected improvement in NED rate from 60 to 77% with significance level of 0.05. The first patient was recruited on 27th March 2023. To date, 15 patients have been enrolled. Full accrual is anticipated by late 2024. Correlative studies include genomic characterization of baseline tumors, assessment of immune infiltration of tumor microenvironment and serial circulating cell-free DNA and immune biomarkers. Clinical trial information: NCT05359393 .

e15614 Background: Mechanical anastomosis offers several advantages over traditional hand-sutured anastomosis. However, complications such as anastomotic leaks, strictures, and bleeding persist due to factors like interactions between staples and tissue. Powered circular anastomosis is an effective method to address these issues. Currently, there are no domestic studies on the application of powered-anastomosis technology in colorectal anastomosis. Methods: The study adopted a multicenter, randomized, parallel-controlled, non-inferiority study design, with a 1:1 random allocation ratio. The study involved 187 patients with rectal cancer who underwent Dixon surgery using IntoCare™ disposable powered circular stapler (ICS), and 195 patients who received similar process with manual circular stapler (MCS). The efficacy of stapler was evaluated by anastomosis success rate, anastomosis-related adverse events, anastomosis device performance assessment, operation time, anastomosis time, and postoperative recovery. Safety evaluation indicators included adverse events, vital signs, and laboratory tests. Results: Baseline demographic characteristics showed no notable disparities between two groups (Table 1). A high proportion of patients, 99.47% in the MCS group and 99.49% in the ICS group, successfully completed anastomosis. In the MCS group, the average anastomosis duration was clocked at 2.84 minutes (min) (±2.3), with a median time of 2.0 min (ranging from 1.0 to 22.0 min). In contrast, the ICS group exhibited a slightly quicker average anastomosis duration of 2.40 min (±1.7), and a comparable median time of 2.0 min (but with a narrower range from 1.0 to 15.0 min). Adverse events did not differ significantly between two groups. Conclusions: The results uncovered the powered stapler could considerably reduce stapling time while maintaining a safety profile. Notably, the incidence of patients with anastomotic leakage one month post-surgery, and anastomotic stricture six months post-surgery in the powered stapler group, was lower than those in the manual stapler group. This suggests that the anastomosis created by the powered stapler is more stable and promotes more effective postoperative anastomotic healing. Clinical trial information: NCT05879172 . [Table: see text]