DNA methylation analysis improves the prognostication of acute myeloid leukemia
Notice bibliographique
Résumé
Abstract Integration of orthogonal data could provide new opportunities to pinpoint the underlying molecular mechanisms of hematologic disorders. Using a novel gene network approach, we integrated DNA methylation data from The Cancer Genome Atlas ( n = 194 cases) with the corresponding gene expression profile. Our integrated gene network analysis classified AML patients into low‐, intermediate‐, and high‐risk groups. The identified high‐risk group had significantly shorter overall survival compared to the low‐risk group ( p ‐value ≤). Specifically, our approach identified a particular subgroup of nine high‐risk AML cases that died within 2 years after diagnosis. These high‐risk cases otherwise would be incorrectly classified as intermediate‐risk solely based on cytogenetics, mutation profiles, and common molecular characteristics of AML. We confirmed the prognostic value of our integrative gene network approach using two independent datasets, as well as through comparison with European LeukemiaNet and LSC17 criteria. Our approach could be useful in the prognostication of a subset of borderline AML cases. These cases would not be classified into appropriate risk groups by other approaches that use gene expression, but not DNA methylation data. Our findings highlight the significance of epigenomic data, and they indicate integrating DNA methylation data with gene coexpression networks can have a synergistic effect.
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 | 0,002 |
| 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 ».