Rapid, economical diagnostic classification of ATRT molecular subgroup using NanoString nCounter platform
Notice bibliographique
Résumé
Background: Despite genomic simplicity, recent studies have reported at least 3 major atypical teratoid rhabdoid tumor (ATRT) subgroups with distinct molecular and clinical features. Reliable ATRT subgrouping in clinical settings remains challenging due to a lack of suitable biological markers, sample rarity, and the relatively high cost of conventional subgrouping methods. This study aimed to develop a reliable ATRT molecular stratification method to implement in clinical settings. Methods: We have developed an ATRT subgroup predictor assay using a custom genes panel for the NanoString nCounter System and a flexible machine learning classifier package. Seventy-one ATRT primary tumors with matching gene expression array and NanoString data were used to construct a multi-algorithms ensemble classifier. Additional validation was performed using an independent gene expression array against the independently generated dataset. We also analyzed 11 extra-cranial rhabdoid tumors with our classifier and compared our approach against DNA methylation classification to evaluate the result consistency with existing methods. Results: We have demonstrated that our novel ensemble classifier has an overall average of 93.6% accuracy in the validation dataset, and a striking 98.9% accuracy was achieved with the high-prediction score samples. Using our classifier, all analyzed extra-cranial rhabdoid tumors are classified as MYC subgroups. Compared with the DNA methylation classification, the results show high agreement, with 84.5% concordance and up to 95.8% concordance for high-confidence predictions. Conclusions: Here we present a rapid, cost-effective, and accurate ATRT subgrouping assay applicable for clinical use.
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 ».