1450-1545 Young Investigator Awards & Presentations <u>Basic/Translational</u> Exploring cellular subpopulations in glioblastoma and matched organoids using single-cell RNA-seq 52
Notice bibliographique
Résumé
Glioblastomas (GBMs) account for nearly half of all primary malignant brain tumours, and current therapies are often only marginally effective. Our understanding of the underlying biology of these tumours and the development of new therapies have been complicated in part by widespread inter- and intratumoural heterogeneity. To characterize this heterogeneity, we performed regional subsampling of primary glioblastomas and derived organoids from these tissue samples. We then performed single-cell RNA-sequencing (scRNA-seq) on these primary regional subsamples and 1-3 matched organoids per sample. We have profiled samples from six tumour sets to date and have obtained sequencing data for 21,234 primary tissue cells and 14,742 organoid cells. While the most apparent differences in gene expression appear to be between individual tumours, we were also able to identify similar cellular subpopulations across tissue samples and across organoids. Importantly, organoids derived from the same tissue sample appeared to be composed of similar cellular subpopulations and were highly comparable to each other, indicating that replicate organoids faithfully represent the original tumour tissue. Overall, our scRNA-seq approach will help evaluate the utility of tumour-derived organoids as model systems for GBM and will aid in identifying cellular subpopulations defined by gene expression patterns, both in primary GBM regional subsamples and their associated organoids. These analyses will allow for the characterization of clonal or subclonal populations that are likely to respond to different therapeutic approaches and may also uncover novel therapeutic targets previously unrevealed through bulk analyses.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».