MétaCan
Menu
Retour à la cohorte
Enregistrement W4388588565 · doi:10.1093/neuonc/noad179.0473

EPCO-09. CHARACTERIZING THE GBM CELLULAR LANDSCAPE BY LARGE-SCALE SINGLE-NUCLEUS RNA-SEQUENCING

2023· article· en· W4388588565 sur OpenAlexaff
Avishay Spitzer, Masashi Nomura, Luciano Garofano, Kevin C. Johnson, Djamel Nehar-Belaid, Young Taek Oh, Kevin Anderson, Ryan D. Najac, Lillian Bussema, Frederick S. Varn, Fulvio D’Angelo, Tamrin Chowdhury, Simona Migliozzi, Jong Bae Park, Luca Ermini, Anna Golebiewska, Simone P. Niclou, Sunit Das, Sun Ha Paek, Hyo-Eun Moon, Bertrand Mathon, Anna Luisa Di Stefano, Franck Bielle, Alice Laurenge, Marc Sanson, Shota Tanaka, Nobuhito Saito, Steve Keir, David M. Ashley, Jason T. Huse, W. K. Alfred Yung, Anna Lasorella, Roel G.W. Verhaak, Antonio Iavarone, Itay Tirosh, Mario L. Suvà

Notice bibliographique

RevueNeuro-Oncology · 2023
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueSingle-cell and spatial transcriptomics
Établissements canadiensSt. Michael's Hospital
Organismes subventionnairesnon disponible
Mots-clésBiologyComputational biologyExome sequencingRNADeep sequencingExomeCell typeTumor microenvironmentGenomeCellGeneGeneticsPhenotypeCancer

Résumé

récupéré en direct d'OpenAlex

Abstract Tumor heterogeneity is a well-known hallmark of glioblastoma (GBM). Single-cell RNA-sequencing (scRNA-seq) technologies significantly extended our understanding of GBM intra-tumor heterogeneity. While the landmark scRNA-seq studies were limited by scale, recent technological advances have enabled analyzing increasing numbers of cells. Here, leveraging a large-scale single-nucleus RNA-sequencing (snRNA-seq) dataset containing 457,442 cells (271,444 malignant and 185,995 non-malignant) from 121 IDH-wildtype GBM tumor samples and matching whole-exome/whole-genome sequencing data, we dissected the GBM malignant and tumor microenvironment (TME) compartments with unprecedented resolution and scale. We identified three novel malignant cellular states - Glial progenitor cell-like (GPC-like), Neuron-like and Cilia-like - in addition to the cellular states previously defined in GBM (NPC-like, OPC-like, AC-like and MES-like). Cross-referencing our dataset with published scRNA-seq datasets suggests that GBM states mirror the developmental hierarchy observed in the developing human brain. Functional enrichment analysis demonstrated the heterogeneous nature of pathway and metabolic activities across the spectrum of cellular states. Analysis of the matched DNA-sequencing data revealed novel associations between the occurrence of certain genetic events and the abundance of specific cellular states. Similarly, we dissected the TME and robustly defined cellular states for different TME cell types, underscoring the heterogeneity found also within the TME compartment. Leveraging the large number of samples in our dataset and controlling for intra-tumor cell state frequency exposed three baseline gene expression programs - neuronal activity, glial development and extra-cellular matrix remodeling - termed State-Controlled Profiles (SCPs), that reflect the inter-tumor heterogeneity and are not influenced by the intra-tumor cell state distribution. Integrated analysis of the intra- and inter-tumor heterogeneity components revealed striking associations between certain TME cell types and states, malignant cell states and SCPs, suggesting that an interplay between the TME and malignant cells shapes the frequency of malignant states and baseline expression profile in each tumor.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,469
Score d'incertitude au seuil0,917

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,241
Écart entre enseignants0,220 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNeuro-OncologyMême sujetSingle-cell and spatial transcriptomicsTravaux en français237 207