Long Circulating RNAs Packaged in Extracellular Vesicles: Prospects for Improved Risk Assessment in Childhood B-Cell Acute Lymphoblastic Leukemia
Notice bibliographique
Résumé
Analysis of tumoral RNA from bone marrow (BM) biopsy is essential for diagnosing childhood B-cell acute lymphoblastic leukemia (B-ALL), risk stratification, and monitoring, by detecting fusions and gene expression patterns. However, frequent BM biopsies are invasive and traumatic for patients. Small extracellular vesicles (sEVs) circulating in blood contain a variety of biomolecules, including RNA, that may contribute to cancer progression, offering a promising source of non-invasive biomarkers from liquid biopsies. While most EV studies have focused on small RNAs like microRNAs (miRNAs), the role of longer RNA species, including messenger RNAs (mRNAs), long non-coding RNAs (lncRNAs), and circular RNAs (circRNAs), remains underexplored despite their demonstrated potential for risk-based patient stratification when starting from BM biopsies. We used immuno-purification to isolate sEVs from peripheral blood at diagnosis in B-ALL patients and cell model-based conditioned culture medium (CCM) with ETV6::RUNX1 and TCF3::PBX1 fusions. Using whole-transcriptome sequencing targeting transcripts over 200 nt and a novel data analysis pipeline, we identified 102 RNA transcripts (67 mRNAs, 16 lncRNAs, 10 circRNAs, 4 pseudogenes, and 5 others) in patient-derived sEVs. These transcripts could serve as biomarkers for two distinct molecular subgroups of B-ALL, each with different risk profiles at diagnosis. This is the first study characterizing the long transcriptome in blood-derived sEVs for childhood B-ALL, highlighting the potential use of circulating RNAs for improved risk-based stratification.
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 | 0,001 |
| 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 | 0,001 | 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) | 0,000 | 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 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 ».