CCRG-02. DEVELOPMENTALLY PARTITIONED PROLIFERATIVE COMPARTMENTS IN GLIOBLASTOMA
Notice bibliographique
Résumé
Abstract It is now well established from single-cell RNA-seq studies that glioblastoma (GBM) tumors are complex, maligned neuro-developmental ecosystems harboring diverse tumor cell types. Neoplastic cells can resemble astrocytes, neural progenitors, oligodendrocyte progenitor cells, mesenchymal cells, and radial glial cells that contribute to tumor growth and homeostasis in specific ways. However, GBM single-cell data sets have failed to produce general models for transitions in and out of specific developmental and proliferative states in tumors. One reason is that human GBM tumors do not neatly resolve into developmental hierarchies. Here we focused on modeling GBM tumor cellular heterogeneity by defining "proliferative compartments" in single-cell transcriptomic data derived from primary tumors and early passage tumorsphere cultures. Previously, we observed that each tumor cell entering S-phase has a unique developmental signature that can be leveraged to define broader partitioned proliferative compartments (PPCs) with distinct developmental gene expression and genomic alteration patterns. Thus, we extracted the S-phase cells from a tumor, defined the proliferative compartments in that tumor using de novo clustering, determined the marker genes for each compartment, and defined the broader PPCs across tumors by de novo clustering based on similarity in marker genes. From a cohort of six tumors we observed eight broader PPCs and found that tumors can contain as many as five PPCs or as few as two. Because tumor growth and recurrence both require cell proliferation, we propose that patient-specific PPCs represent the engines of GBM progression.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».