Abstract 3500: Refining diagnosis of renal cell carcinoma subtypes through single-cell resolution transcriptomic signatures
Notice bibliographique
Résumé
Abstract A remaining challenge in the field of renal cell carcinoma (RCC) is diagnosis of rare or mixed subtypes, which hampers the delivery of the most effective healthcare to patients. While a new classification scheme, integrating molecular characteristics of tumors, is emerging, it requires a deep understanding of the tumor heterogeneity and etiopathogenesis of each subtype. We have generated and analyzed single-cell transcriptome profiles of 38 human RCCs and normal kidneys 16 RCCs with diverse histological subtypes and established gene signatures specific to each cell type. We have applied these gene signatures to bulk RNA-sequencing data of 1000 RCC tumors with different histological subtypes and normal kidneys from The Cancer Genome Atlas (TCGA) to characterize different cancer types and cellular origins. Unsupervised clustering analysis of TCGA data shows diagnostic discrepancies for 9.3% cases and subclassifies each major subtype (clear cell, papillary and chromophobe) into clusters with differential clinical outcomes.[KM1]. The pathological marker expression in misdiagnosed tumors is consistent with clustering-based classification, not their original diagnosis. Notably, using unique and subtype-specific gene signature patterns, we identified clear cell papillary renal cell tumor (ccpRCT), which is a newly classified benign entity and the main tumor type representing the mis-diagnosed tumors. These observations have further been confirmed by reviewing histological images of the tumors by an experienced genitourinary pathologist. Interestingly, our gene signatures reveal that ccpRCT does not originate from proximal tubule cells unlike clear cell and papillary RCCs. Taken together, our approach suggests a potential new classification method connected to clinical behaviors and drug responses based on overall transcriptomic differences. Citation Format: Minjun Kim, Ariel Madrigal, Zohreh Mehrjoo, Kate I. Glennon, Madeleine Arseneault, Morag Park, Fadi Brimo, Simon Tanguay, Hamed S. Najafabadi, Yasser Riazalhosseini. Refining diagnosis of renal cell carcinoma subtypes through single-cell resolution transcriptomic signatures [abstract]. In: Proceedings of the American Association for Cancer Research Annual Meeting 2024; Part 1 (Regular Abstracts); 2024 Apr 5-10; San Diego, CA. Philadelphia (PA): AACR; Cancer Res 2024;84(6_Suppl):Abstract nr 3500.
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 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,001 | 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 ».