MULTIPLATFORM MOLECULAR ANALYSIS OF VESTIBULAR SCHWANNOMA REVEALS TWO ROBUST SUBGROUPS WITH DISTINCT MICROENVIRONMENT
Notice bibliographique
Résumé
Abstract BTFC travel award recipient Vestibular schwannoma (VS) is the most common tumour of the cerebellopontine angle and poses a significant morbidity for patients. While many exhibit benign behaviour, others have a more aggressive nature and pattern of growth. Predicting who will fall into which category consistently remains uncertain. There is a need for a better understanding of the molecular landscape, and important subgroups therein, of this disease. METHODS: We select all vestibular schwannomas from our tumour bank with both methylation and RNA profiling available. Unsupervised clustering methods were used to define two distinct molecular subgroups of VS which were explored using computational techniques including bulk deconvolution analysis, gene pathway enrichment analysis, and drug repurposing analysis. Methylation data from two other cohorts were used to validate our findings, given a paucity of external samples with available multi-omic data. RESULTS: A total of 75 tumours were analyzed. Consensus clustering and similarity network fusion defined two subgroups ("immunogenic" and "proliferative”) with significant differences in immune, stroma, and tumour cell abundance (p<0.05). Gene network analysis and computational drug repurposing found critical differences in targets of immune checkpoint inhibition PD-1 and CTLA-4, the MEK pathway, and the epithelial to mesenchymal transition program, suggesting a need for subgroup-specific targeted treatment/trial design in the future. CONCLUSIONS: We leverage computational tools with multi-omic molecular data to define two robust subgroups of vestibular schwannoma with differences in microenvironment and therapeutic vulnerabilities.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».