Artificial intelligence-based diagnostic model for identifying PTPRZ1-MET fusion in a clinically defined secondary glioblastoma cohort.
Résumé
Cette étude a analysé 159 patients atteints de glioblastome secondaire (sGBM) et a confirmé que la fusion PTPRZ1-MET est un moteur oncogénique récurrent associé à une survie globale et sans progression significativement plus courte. Les chercheurs ont identifié 359 gènes régulés à la hausse dans les tumeurs positives à la fusion, enrichis dans les voies de régulation du cycle cellulaire. Un modèle de diagnostic basé sur l'intelligence artificielle, utilisant un panel de trois gènes (MET, PCDHGA3, FAM3C), a été développé et validé pour identifier cette fusion. Cette signature moléculaire robuste pourrait faciliter l'identification et la stratification des patients atteints de sGBM positifs à la fusion PTPRZ1-MET.
Analyse
CLINIQUE: Cette recherche met en évidence la fusion PTPRZ1-MET comme un biomarqueur pronostique défavorable chez les patients atteints de glioblastome secondaire, étant associée à une survie globale et sans progression significativement plus courte. Le développement d'un modèle diagnostique basé sur une signature de trois gènes (MET, PCDHGA3, FAM3C) offre une voie prometteuse pour une stratification plus précise des patients. Cela pourrait justifier des essais cliniques ciblant spécifiquement les patients porteurs de cette fusion, potentiellement avec des inhibiteurs de MET, et pourrait influencer la pratique clinique dans les 3 à 5 ans en permettant une meilleure sélection thérapeutique. BIOMOL: L'étude a découvert une signature moléculaire de trois gènes (MET, PCDHGA3, FAM3C) qui agit comme biomarqueur de substitution pour la fusion PTPRZ1-MET. Cette découverte a été réalisée via un profilage transcriptomique et validée au niveau protéique par immunohistochimie multiplex et conventionnelle sur des échantillons FFPE, démontrant une bonne validité analytique pour la détection en pathologie. La capacité à détecter cette signature dans des échantillons FFPE est cruciale pour une application clinique, ouvrant la voie à un test diagnostique de routine pour identifier les patients éligibles à des thérapies ciblées. BIOINFO: Un modèle de classification XGBoost a été utilisé pour identifier les biomarqueurs les plus informatifs, démontrant une approche robuste de l'intelligence artificielle pour la découverte de signatures géniques. Le modèle a été rigoureusement validé à travers des analyses de validation croisée, des évaluations imbriquées, des analyses de sensibilité du pool de caractéristiques et des modélisations pondérées par classe, assurant sa performance discriminative stable. Ce modèle, s'il est déployé cliniquement, pourrait automatiser et améliorer la précision du diagnostic des fusions PTPRZ1-MET, optimisant ainsi le flux de travail des laboratoires de pathologie moléculaire.