EPCO-52. MACHINE LEARNING AND MULTI-OMIC ANALYSIS IDENTIFY A MICROENVIRONMENT-DRIVEN MENINGIOMA RISK CONTINUUM UNDERLYING MOLECULAR CLASSIFICATIONS
Notice bibliographique
Résumé
Abstract Machine learning-based molecular classifications, particularly those using DNA methylation data, have greatly advanced diagnostics for meningioma, the most common type of primary intracranial tumor. Meningiomas have historically been classified into NF2-mutant and NF2-wild-type groups, while additional mutations and copy-number variations associated with progression risk have been incorporated into WHO grading. Several genome-wide methylation-based classification systems have been proposed. The systems, such as the random forest Brain Tumour Classifier, have been incorporated into diagnostic guidelines. However, while a number of core archetypes are shared among the different classifications, discrepancies on the definition and granularity of subtypes remain an obstacle to their clinical application. Understanding the underlying heterogeneity driving these classifications is therefore crucial. Through an integrated analysis of single-nuclei and spatially resolved transcriptomic data, as well as DNA methylation array data from multiple meningioma cohorts, we identified cell types and epigenetic signatures that are associated with increased aggressiveness in meningiomas. The results demonstrated that incremental changes in the tumor microenvironment (TME), particularly shifts in compositions and epigenetic-transcriptomic signatures in tumor-associated monocytes/macrophages and microglia-like cells, have a decisive impact on epigenetic classifications alongside tumor cells, and significantly affect clinical outcome. Therefore, we refine the previously proposed distinct molecular subtypes with a TME-determined risk continuum model for NF2-mutant meningiomas. Based on these discoveries, we additionally designed an immunohistochemistry-based diagnostic approach, which also captures intra-tumoral heterogeneities.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».