Meta-gene markers predict meningioma recurrence with high accuracy
Notice bibliographique
Résumé
Abstract Background Meningiomas, the most common adult brain tumors, recur in up to half of cases[1–3]. This requires timely intervention and therefore accurate risk assessment of recurrence is essential. Our current practice relies heavily on histological grade and extent of surgical excision to predict meningioma recurrence. However, prediction accuracy can be as poor as 50% for low or intermediate grade tumors, which constitute more than 90% of all cases. Moreover, attempts to find molecular markers, particularly for predicting recurrence of intermediate tumors have been impeded by low[4] or heterogenous[5–8] genetic signal. We therefore sought to apply systems-biology approaches to transcriptomic data to better predict meningioma recurrence. Methods We apply gene co-expression networks to a cohort of 252 adult patients from the publicly-available genetic repository Gene Expression Omnibus. Resultant gene clusters (“modules”) were represented by the first principle component of their expression levels, and their ability to predict recurrence assessed with a logistic regression model. External validation was done using an independent merged cohort of 108 patients using the same modules. We used the bioinformatics database DAVID[9] to examine the gene ontology associations of each module. Results Using gene co-expression analysis, we were able predict tumor recurrence with high accuracy using a single module which mapped to cell cycle-related functions (AUC of 0.81 ± 0.09 in external validation). Further, the module maintained its accuracy with removal of up to 20 of it’s most individually predictive genes, suggesting robustness against noise at the single gene level. Conclusions With the easy accessibility of gene panels in healthcare diagnostics, our results offer a basis for routine molecular testing in meningioma management.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».