Childhood medulloblastoma is a malignant form of brain tumor that is widely classified into four subgroups based on molecular and genetic characteristics. Accurate classification of these subgroups is crucial for appropriate treatment, monitoring plans, and targeted therapies. However, misclassification between groups 3 and 4 is common. To address this issue, an AI-based R package called MBMethPred was developed based on DNA methylation and gene expression profiles of 763 medulloblastoma samples to classify subgroups using machine learning and neural network models. The developed prediction models achieved a classification accuracy of over 96% for subgroup classification by using 399 CpGs as prediction biomarkers. We also assessed the prognostic relevance of prediction biomarkers using survival analysis. Furthermore, we identified subgroup-specific drivers of medulloblastoma using functional enrichment analysis, Shapley values, and gene network analysis. In particular, the genes involved in the nervous system development process have the potential to separate medulloblastoma subgroups with 99% accuracy. Notably, our analysis identified 16 genes that were specifically significant for subgroup classification, including EP300 , CXCR4, WNT4 , ZIC4, MEIS1, SLC8A1, NFASC, ASCL2, KIF5C, SYNGAP1, SEMA4F, ROR1, DPYSL4, ARTN, RTN4RL1, and TLX2 . Our findings contribute to enhanced survival outcomes for patients with medulloblastoma. Continued research and validation efforts are needed to further refine and expand the utility of our approach in other cancer types, advancing personalized medicine in pediatric oncology.

Abstract Current therapeutics of endometriosis are limited to hormonal action on endometriotic lesions to disrupt their growth. Based on the recent findings of the high utilization of glycolysis over oxidative metabolism (Warburg-like effect) in endometriotic lesions, a new strategy of nonhormonal management by addressing cellular metabolism has been proposed. However, it remains unclear which cell types are metabolically altered and contribute to endometriotic lesion growth for targeting them with metabolic drugs. Using single-cell RNA-sequencing, we investigated the activity of twelve metabolic pathways and genes involved in steroidogenesis in paired samples of eutopic endometrium (EuE) and peritoneal lesions (ectopic endometrium, EcE) from women with confirmed endometriosis. We detected nine major cell clusters in both EuE and EcE. The metabolic pathways were differentially regulated in perivascular, stromal and to a lesser extent in endothelial cell clusters, with the highest changes in AMP-activated protein kinase signaling, Hypoxia-Inducible Factor-1 signaling, glutathione metabolism, oxidative phosphorylation, and glycolysis/gluconeogenesis. We identified a transcriptomic co-activation of glycolysis and oxidative metabolism in perivascular and stromal cells of EcE compared with EuE, suggesting that metabolic reprogramming may play a critical role in maintaining cell growth and survival of endometriotic lesions. Additionally, progesterone receptor was significantly downregulated in perivascular and endothelial cells of EcE. The expression of estrogen receptor 1 was significantly reduced in perivascular, stromal and endothelial cells of EcE. In parallel, perivascular cells exhibited a high expression of estrogen receptor 2 and HSD17B8 gene that encodes for protein converting estrone (E1) to estradiol (E2), while in endothelial cells HSD17B2 gene coding for enzyme converting E2 to E1 was downregulated. Overall, our results identified different expression patterns of energy metabolic pathways and steroidogenesis-related genes in perivascular, stromal, and endothelial cells in EcE compared with EuE. Perivascular cells, known to contribute to the restoration of endometrial stroma and angiogenesis, can be a potential target for non-hormonal treatment of endometriosis.