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 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 | 0,000 |
| 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 | 0,001 |
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 ».