BIOM-39. PLASMA PROTEOMICS REVEAL KEY PRELIMINARY BIOMARKERS FOR GLIOBLASTOMA PROGRESSION AND DIFFERENTIAL DIAGNOSIS
Notice bibliographique
Résumé
Abstract Adult-type diffuse gliomas, including glioblastoma (GBM), astrocytoma, and oligodendroglioma, are among the most aggressive brain tumors, often exhibiting poor prognosis. Diagnosis currently relies on MRI and biopsy, but for individuals ineligible for resection, non-invasive diagnostic tools are lacking. Additionally, distinguishing primary from recurrent disease and monitoring therapy response remain critical unmet needs. We evaluated seven candidate proteomic markers in plasma from individuals with GBM (n=143), astrocytoma (n=50), oligodendroglioma (n=32), and non-tumor controls (n=30) using research-use-only electrochemiluminescence assays (Meso Scale Discovery). Key questions included: (1) Do protein levels change between primary and recurrent GBM? (2) Do protein concentrations correlate with survival in primary vs. recurrent disease? (3) Can markers predict GBM tumor burden? (4) Can they distinguish GBM from other gliomas and controls? The results showed that neurofilament light chain (NEFL) increased significantly from primary to recurrent GBM (unadjusted p = 0.008). In primary GBM, low fatty acid binding protein 4 (FABP4) correlated with survival (adjusted p = 0.028), but no significance was observed in recurrent disease after adjustment. Machine learning (Lasso regression) showed poor performance in predicting tumor volume (cross-validated R² = 0.192). However, dimensionality reduction (PCA-UMAP) revealed distinct clustering of GBM samples versus astrocytomas, oligodendrogliomas, and controls. A random forest classifier trained on a 70:30 split achieved strong diagnostic performance (test AUC = 0.96, sensitivity = 0.95, specificity = 0.83). To conclude, plasma proteomic markers, particularly NEFL and FABP4, show promise for monitoring recurrence and prognostic stratification in GBM. While tumor volume prediction was unreliable, machine learning models excelled in differentiating GBM from other gliomas and controls, suggesting clinical utility for non-invasive diagnosis. Further validation is warranted to refine biomarker panels for precision oncology applications.
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 | 0,001 |
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 ».