BIOM-101. STRATIFICATION OF GLIOBLASTOMA PROGRESSORS USING MULTI-OMIC PROFILING AND GRAPH NEURAL NETWORKS
Notice bibliographique
Résumé
Abstract Patients with glioblastoma exhibit highly variable responses to standard chemoradiation, with approximately 30% progressing during treatment and a small subset surviving beyond 5 years. Despite this heterogeneity, non-invasive biomarkers to predict early treatment response remain limited. Chemical exchange saturation transfer (CEST) MRI, sensitive to metabolic and treatment-induced changes, has shown promise in identifying early, standard, and late progressors prior to treatment initiation. In this study, we aimed to characterize the molecular profiles of CEST-defined subgroups and develop predictive models for treatment stratification. A cohort of 180 patients with primary, IDH wild-type glioblastoma underwent CEST imaging at multiple timepoints. Tumor and matched normal tissue were profiled using whole genome sequencing, enzymatic methyl-seq, and RNA-seq. Clinical variables (age, sex, MGMT promoter status, extent of resection, ECOG score) were collected. Kaplan-Meier and Cox proportional hazards analyses were used to evaluate clinical and molecular correlates of progression-free survival (PFS).To integrate imaging, clinical, and molecular data, we developed a graph neural network (GNN)-based model for survival prediction and risk stratification. Our architecture incorporates pathway-level pooling and cross-modal attention, capturing synergistic patterns between RNA expression and DNA methylation. The model demonstrated superior concordance index and risk group separation compared to published ML models. SHAP-based interpretability analyses revealed that genes involved in DNA repair, glucose transport, and arginine metabolism were among the top contributors to risk predictions. Early progressors had a median PFS of 142 days versus 832 days for late progressors (p<0.0001), with distinct gene expression and epigenetic signatures. A multigene signature derived from the GNN was prognostic of both PFS and overall survival. Collectively, our findings suggest that integrating multi-omic profiles with deep learning on radiogenomic features may enable early, individualized treatment adaptation in glioblastoma.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».