H3K4-H3K9 Histone Methylation Patterns and Oncofetal Developmental Networks as Drivers of Cell Fate Decisions in Pediatric High-Grade Gliomas
Notice bibliographique
Résumé
ABSTRACT This study employs systems medicine approaches, including complex networks and machine learning-driven discovery, to identify key biomarkers governing phenotypic plasticity in pediatric high-grade gliomas (pHGGs), namely, IDHWT glioblastoma and H3K27M diffuse intrinsic pontine glioma (DIPG). By integrating single-cell transcriptomics and histone mass cytometry data, we conceptualize these aggressive tumors as complex adaptive ecosystems driven by hijacked oncofetal developmental programs and pathological attractor dynamics. Our analysis predicts lineage-plasticity markers, including KDM5B (JARID1B), ARID5B, GATA2/6, WNT, TGFβ, NOTCH, CAMK2D, ATF3, DOCK7, FOXO1/3, FOXA2, ASCL4, PRDM9, METTL5/8, RAP1B, CD99, RLIM, TERF1, and LAPTM5, as drivers of cell fate cybernetics. Further, we identified endogenous bioelectric signatures, including GRIK3, GRIN3, SLC5A9, NKAIN4, and KCNJ4/6, as potential reprogramming targets. Additionally, we validate previously discovered plasticity genes such as PDGFRA, EGFR targets, OLIG1/2, FXYD5/6, MTSS1, SEZ6L, MTRN2L1, and SOX11, confirming the robustness of our complex systems approaches. This systems oncology framework offers promising avenues for precision medicine, optimizing patient outcomes by guiding combination therapies informed by single-cell multi-omics and targeting pHGG phenotypic plasticity as therapeutic vulnerabilities. Further, our findings suggest the epigenetic reprogrammability of tumor phenotypic plasticity (i.e., transition therapy) and maladaptive behaviors in pHGG ecosystems toward stable, transdifferentiated states.
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 | 0,000 | 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) | 0,001 | 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 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 ».