LGG-60. THE GENETIC LANDSCAPE OF PEDIATRIC LOW-GRADE GLIOMAS: INCIDENCE, PROGNOSIS AND RESPONSE TO THERAPY
Notice bibliographique
Résumé
Molecularly characterization of pediatric low-grade glioma (pLGG) over the last decade has identified recurrent alterations, most commonly involving BRAF, and less frequently other pathways including MYB and MYBL1. Many of these molecular markers have been exploited clinically to aid in diagnosis and treatment decisions. However, their frequency and their prognostic significance remain unknown. Further, a significant portion of cases do not have any of these alterations and what underlies these cases is also unknown. To address this we compiled a cohort of 562 patients diagnosed at SickKids from 1990-2017. We identified molecular alterations in 454 (81%) of the cohort. The most frequent events were those involving BRAF; either as fusions (most commonly with KIAA1549 (30%)), or V600E mutations (17%) and NF-1 (22%). Less frequently, we identified recurrent FGFR1 fusions and mutations (3%), MYB/MYBL alterations (2%), H3F3A_K27M mutations (2%) and IDH1_R132H (0.5%), as well as other novel rare events. Survival analysis revealed significantly better progression-free survival (PFS) and overall survival (OS) of BRAF-KIAA1549 patients compared to BRAF_V600E with 10-year OS 97.7% (95%CI 95.5-100) and 83.9% (95%CI 72.5-95.6) respectively. In addition to survival, the molecular alterations predict differences in response to conventional therapeutics; BRAF fused patients show a 46% response-rate, versus only 14% in V600E patients. pLGG harboring H3F3A_K27M progressed early with median PFS of 11 months. In patients with MYB/MYBL1, FGFR1/FGFR2 alterations, we observed only one death (FGFR1_N546K case). The work here represents the largest cohort of pLGGs with molecular profiling and their impact on the clinical behaviour of the disease.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 tête enseignante, 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 ».