Abstract 4591: Development and validation of a molecular classifier of meningiomas
Notice bibliographique
Résumé
Abstract Background: Meningiomas exhibit considerable clinical and biological heterogeneity. We previously identified four distinct molecular groups (immunogenic, NF2-wildtype, hypermetabolic, proliferative) that address much of this heterogeneity. Despite the utility of these groups, the stochasticity of clustering methods and the use of multi-omics data for discovery limits the potential for classifying prospective cases. We sought to address this with a dedicated classifier. Methods: Using an international cohort of 1698 meningiomas, we constructed and rigorously validated a machine learning-based molecular classifier using only DNA methylation data as input. Original and newly-predicted molecular groups were compared using DNA methylation, RNA sequencing, copy number profiles, whole exome sequencing, and clinical outcomes. Results: We show that group-specific outcomes in the validation cohort are nearly identical to those originally described, with median PFS of 7.4 (4.9-Inf) years in hypermetabolic tumors and 2.5 (2.3-5.3) years in proliferative tumors (not reached in the other groups). Tumors classified as NF2-wildtype had no NF2 mutations, and 51.4% had canonical mutations previously described in this group. RNA pathway analysis revealed upregulation of immune-related pathways in the immunogenic group, metabolic pathways in the hypermetabolic group and cell-cycle programs in the proliferative group. Bulk deconvolution similarly revealed enrichment of macrophages in immunogenic tumors and neoplastic cells in hypermetabolic and proliferative tumors with similar proportions to those originally described. Conclusions: Our DNA methylation-based classifier, which is publicly available for immediate clinical use, recapitulates the biology and outcomes of the original molecular groups as assessed using multiple metrics/platforms that were not used in its training. Citation Format: Alex Landry, Justin Wang, Jeff Liu, Vikas Patil, Chloe Gui, Andrew Ajisebutu, Yosef Ellenbogen, Qingxia Wei, Olivia Singh, Julio Sosa, Sheila Mansouri, Aaron Cohen-Gadol, Ghazaleh Tabatabai, Marcos Tatagiba, Felix Behling, Jill Banholtz-Sloan, Andrew Sloan, Lola Chambless, Serge Makarenko, Stephen Yip, Alireza Mansouri, Derek Tsang, Kenneth Aldape, Andrew Gao, Farshad Nassiri, Gelareh Zadeh. Development and validation of a molecular classifier of meningiomas [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 4591.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».