Abstract 3250: Tumor-independent monitoring of minimal residual disease in multiple myeloma using cfDNA fragmentomics
Notice bibliographique
Résumé
Abstract Introduction: Monitoring minimal residual disease (MRD) is critical in multiple myeloma (MM) to predict outcomes and guide therapy. Traditional bone marrow (BM) aspirates for MRD detection are invasive and limited by sample quality. We therefore explored cell-free DNA (cfDNA) fragmentation as a less invasive alternative for MRD detection. Methods: We performed 30-40X whole-genome sequencing (WGS) on peripheral blood cfDNA from 45 MM patients, collecting baseline (n = 45) and follow-up samples (n = 98) from eight Canadian sites (M4 and IMMAGINE studies) and one U.S. site (SPORE study), plus 25 healthy controls. Samples were collected post-induction therapy (n = 13), 100 days post-autologous stem cell transplantation (ACST, n = 36), and during maintenance therapy (n = 49). Multiparameter flow cytometry (MFC) MRD testing was conducted on 77 samples. We evaluated insert size metrics and MM-specific chromatin accessibility (from Ordoñez et al., 2020) using Griffin (described in Doebley et al., 2022). Results: Baseline samples had a higher proportion of short fragments (20-150 bp) than follow-up samples (p = 0.0037) and healthy controls (p = 0.019). A fragment score (FS) based on weighted fragment distribution (per Vessies et al., 2022) was highest at baseline (mean = -0.384), followed by MRD-positive (mean = -0.495) and MRD-negative (mean = -0.550) samples. MRD-negative FS was lower than baseline samples (p < 0.001) but higher than healthy controls (mean = -0.639; p = 0.016). Baseline samples had lower coverage at MM-specific chromatin regions than MRD timepoints (p < 0.05; baseline mean = 0.982; MRD-positive = 0.989; MRD-negative = 0.994; healthy = 0.993), suggesting higher transcriptional activity pre-treatment. MRD-negative samples had higher coverage than MRD-positive cases (p < 0.01). Using logistic regression, we assessed the predictive performance of FS and coverage at MM-specific sites. FS alone achieved an AUC of 0.632 (sensitivity [SN] 39.4%, specificity [SP] 92.1%, accuracy [AC] 67.6%). Coverage yielded an AUC of 0.681 (SN 75.8%, SP 60.5%, AC 67.6%). Combining FS and coverage at MM sites improved performance (AUC = 0.734; SN 48.5%, SP 92.1%, AC 71.8%). We next evaluated whether adjusting the BM tumor cell percentage cutoff by MFC could improve performance. At 0.017% (1 in 5, 789 cells) for MRD positivity, the combined model’s accuracy reached 83% with an AUC of 0.757 (SN 17%, SP 97%). Conclusions: cfDNA fragmentomic analysis achieved high specificity (92-97%) in detecting MRD, providing a less invasive alternative to facilitate serial monitoring. While sensitivity remains an area for improvement, the high specificity of cfDNA makes it valuable for confirming MRD negativity and reducing invasive procedures. Future efforts aim to enhance sensitivity by integrating additional fragmentomic features. Citation Format: Dor D. Abelman, Jenna Eagles, Aimee Wong, Saumil Shah, Stephanie Pedersen, Stephenie Prokopec, David S. Scott, Sarah Bridges, Darrell White, Irwindeep Sandhu, Kevin Song, Esteban Braggio, Alli Murugesan, Anthony Reiman, Suzanne Trudel, Trevor J. Pugh. Tumor-independent monitoring of minimal residual disease in multiple myeloma using cfDNA fragmentomics [abstract]. In: Proceedings of the American Association for Cancer Research Annual Meeting 2025; Part 1 (Regular Abstracts); 2025 Apr 25-30; Chicago, IL. Philadelphia (PA): AACR; Cancer Res 2025;85(8_Suppl_1):Abstract nr 3250.
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) | 0,002 | 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 ».