PATH-49. COMPREHENSIVE RNA-SEQ ANALYSIS REVEALS NOVEL SUBTYPES OF MENINGIOMAS AND PREDICTS PATIENT OUTCOME.
Notice bibliographique
Résumé
Abstract OBJECTIVE Meningiomas are the most common intracranial tumor in humans. While most tumors are benign, some are malignant and ultimately lethal. Current grading systems based on WHO grade do not provide adequate risk stratification, therefore, better characterizations of the biology of aggressive meningiomas are needed. METHOD: We obtained 12 datasets from 9 institutions and 5 countries in North America, Europe and Asia and combined them with ~300 tumors sequenced from the University of Washington to create a set of ~1300 meningioma tumors. Raw sequencing data was aligned to hg38, batch corrected and then dimension reduction of normalized counts was performed to create a UMAP landscape. Differential expression analysis and gene set enrichment analysis were performed to elucidate the underlying biology of meningioma subtypes. RESULTS The analysis revealed nine distinct meningioma subtypes through unsupervised clustering. Clinical metadata, DNA sequencing, copy number alterations, and gene-fusion data effectively correlated with these identified clusters. These subtypes exhibited specific biological signatures. Notably, regional distribution of time to recurrence identified subtypes as well as intra-cluster differences of meningiomas with varying patient outcomes. The most aggressive subtype, characterized by higher WHO grades, frequent tumor recurrences, and shorter time to recurrence, exhibited elevated proliferation rates and RNA expression resembling embryonic limb development. To facilitate clinical applications, we developed a cross-validated nearest-neighbors-based algorithm that accurately mapped new patients onto this UMAP landscape, achieving a remarkable 95% accuracy. CONCLUSION Our study highlights the utility of RNA sequencing in discerning meningioma heterogeneity and provides a valuable tool in predicting tumor biology and patient prognosis. The integration of our UMAP landscape with patient data offers an effective approach for personalized treatment strategies.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».