微小環境によって決定されるリスク連続体が髄膜腫のサブタイピングを精緻化し、機械学習ベースの腫瘍分類の決定因子を明らかにする

科学分野:

• 神経腫瘍学
• エピジェネティクス
• 計算生物学

背景:

• 現在の神経腫瘍学における腫瘍分類は、主に機械学習アルゴリズムによって解釈されるDNAメチル化を中心とした分子パターンに依存しています。
• アルゴリズムの解釈を理解することは、特に最も一般的な成人原発性頭蓋内腫瘍である髄膜腫の臨床応用にとって重要です。

研究 の 目的:

• 髄膜腫における腫瘍微小環境（TME）がエピジェネティック分類と臨床転帰に与える影響を調査すること。
• 既存の髄膜腫の明確なサブグループモデルに異議を唱え、TMEによって決定されるリスク連続体を提案すること。
• 髄膜腫の予測を改善するための臨床的に適用可能な診断アプローチを開発および検証すること。

主な方法:

• 髄膜腫サンプルのマルチオミクスプロファイリング。
• 複数の独立したデータセットにわたる直交計算評価。
• エピジェネティック分類のための機械学習の適用。
• 免疫組織化学ベースの診断アプローチの検証。

主要な成果:

• 腫瘍細胞の特徴とTMEの変化の両方が、髄膜腫のエピジェネティック分類と臨床転帰に影響を与えます。
• TME内の非腫瘍細胞は、CNSメチル化分類子において決定的な役割を果たします。
• この所見は、明確な髄膜腫サブグループからTMEによって決定されるリスク連続体への移行を示唆しており、分子サブタイピングの論争を精緻化します。
• 簡単な免疫組織化学ベースの診断方法が開発され、臨床予測の強化のために検証されました。

結論:

• 腫瘍微小環境は、髄膜腫の分類と予後にとって重要な要因であり、エピジェネティックシグネチャーに影響を与えます。
• 髄膜腫の分類は、離散的なサブグループではなく、TMEの影響を受けるリスク連続体を代表する可能性があります。
• アクセス可能な免疫組織化学アプローチは、リソースが限られた設定でも、髄膜腫の臨床予測精度を向上させることができます。