Fusion-Negative Rhabdomyosarcoma: Clinical Application of Targeted RNA Sequencing
Notice bibliographique
Résumé
Background: Rhabdomyosarcoma (RMS) is the most common soft tissue sarcoma of childhood. For stratification purposes, rhabdomyosarcoma is classified into fusion-positive RMS (alveolar rhabdomyosarcoma) and fusion-negative RMS (embryonal or spindle cell/sclerosing, FN-RMS) subtypes according to its PAX::FOXO1 fusion status. This study aims to highlight the pathologic and molecular characteristics of a cohort of FN-RMS using a targeted NGS RNA-Seq assay. Methods: Twelve tumors were analyzed through targeted RNA-Seq using the Trusight Pancancer panel from Illumina. Molecular alterations were then correlated with the clinicopathological features. Results: Of the 12 tumors analyzed, we identified 6 embryonal rhabdomyosarcomas (ERMSs) harboring mutations in key signaling molecules ( KRAS, HRAS, NRAS , and FGFR4 ), oncogenic DICER1 mutations in 2 ERMS, pathogenic TP53 and NF1 mutations in an ERMS with features of anaplasia, a TEAD1::NCOA2 gene fusion in a congenital spindle cell and sclerosing rhabdomyosarcoma (SSRMS), and a FUS::TFCP2 gene fusion in a skull base SSRMS. Only 1 ERMS in the bladder showed no reportable molecular alterations. Conclusion: We illustrate case examples demonstrating how a combined morphological and molecular approach with targeted RNA-Seq can aid in diagnosis and identify clinically actionable alterations in pediatric FN-RMS.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| 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) | 0,000 | 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 tête enseignante, 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 ».