International guidelines recommend a range of clinical tests to confirm the diagnosis of asthma. These focus largely on identifying variable airflow obstruction and responses to bronchodilator or corticosteroid. More recently, exhaled nitric oxide (FE(NO)) measurements and induced sputum analysis to assess airway inflammation have been highlighted. However, to date, no systematic comparisons to confirm the diagnostic utility of each of these methods have been performed. To do so, we investigated 47 consecutive patients with symptoms suggestive of asthma, using a comprehensive fixed-sequence series of diagnostic tests. Sensitivities and specificities were obtained for peak flow measurements, spirometry, and changes in these parameters after a trial of steroid. Comparisons were made against FE(NO) and sputum cell counts. Sensitivities for each of the conventional tests (0-47%) were lower than for FE(NO) (88%) and sputum eosinophils (86%). Overall, the diagnostic accuracy when using FE(NO) and sputum eosinophils was significantly greater. Results for conventional tests were not improved, using a trial of steroid. We conclude that FE(NO) measurements and induced sputum analysis are superior to conventional approaches, with exhaled nitric oxide being most advantageous because the test is quick and easy to perform.

Abstract Glioblastomas (GBMs) are biologically heterogeneous within and between patients. Many previous attempts to characterize this heterogeneity have classified tumors according to their omics similarities. These discrete classifications have predominantly focused on characterizing malignant cells, neglecting the immune and other cell populations that are known to be present. We leverage a manifold learning algorithm to define a low-dimensional transcriptional continuum along which heterogeneous GBM samples organize. This reveals three polarized states: invasive, immune/inflammatory, and proliferative. The location of each sample along this continuum correlates with the abundance of eighteen malignant, immune, and other cell populations. We connect these cell abundances with magnetic resonance imaging and find that the relationship between contrast enhancement and tumor composition varies with patient sex and treatment status. These findings suggest that GBM transcriptional biology is a predictably constrained continuum that contains a limited spectrum of viable cell cohabitation ecologies. Since the relationships between this ecological continuum and imaging vary with patient sex and tumor treatment status, studies that integrate imaging features with tumor biology should incorporate these variables in their design.

We leverage an integrative mathematical modeling framework to translate the impact of preclinical findings in virtual clinical trials. We develop a virtual clinical trial pipeline to face the real-world problem of numerous of actual early phase clinical trials that have failed for glioma/glioblastoma, the most common primary brain tumor. Even with the most promising preclinical data, designing clinical trials is fraught with challenges, including controlling for the many parameters used to inform patient selection criteria. Here, we introduce a virtual trial pipeline that allows us to consider the variability from some of these criteria that can be used for future trials of novel therapies. As an example, we apply this to the proposed delivery of BMP4 to stem cell niches present in glioblastoma, the most aggressive glioma, known for its inter- and intra-patient heterogeneity. The proposed approach of BMP4 treatment, delivered through adipose-derived mesenchymal stem cells, aims to promote cellular differentiation away from the treatment-resistance stem cell niches towards a more treatment-vulnerable state. This pipeline will help us narrow down strategies for future trials, optimize timing of treatments relative to key standard-of-care treatments, and predict synergy amongst the developed treatments.

Abstract Intratumoral heterogeneity poses a significant challenge to the diagnosis and treatment of glioblastoma (GBM). This heterogeneity is further exacerbated during GBM recurrence, as treatment-induced reactive changes produce additional intratumoral heterogeneity that is ambiguous to differentiate on clinical imaging. There is an urgent need to develop non-invasive approaches to map the heterogeneous landscape of histopathological alterations throughout the entire lesion for each patient. We propose to predictively fuse Magnetic Resonance Imaging (MRI) with the underlying intratumoral heterogeneity in recurrent GBM using machine learning (ML) by leveraging image-localized biopsies with their associated locoregional MRI features. To this end, we develop BioNet, a biologically-informed neural network model, to predict regional distributions of three tissue-specific gene modules: proliferating tumor, reactive/inflammatory cells, and infiltrated brain tissue. BioNet offers valuable insights into the integration of multiple implicit and qualitative biological domain knowledge, which are challenging to describe in mathematical formulations. BioNet performs significantly better than a range of existing methods on cross-validation and blind test datasets. Voxel-level prediction maps of the gene modules by BioNet help reveal intratumoral heterogeneity, which can improve surgical targeting of confirmatory biopsies and evaluation of neuro-oncological treatment effectiveness. The non-invasive nature of the approach can potentially facilitate regular monitoring of the gene modules over time, and making timely therapeutic adjustment. These results also highlight the emerging role of ML in precision medicine.

Abstract Gliomas are brain tumors characterized by highly variable growth patterns. Magnetic resonance imaging (MRI) is the cornerstone of glioma diagnosis and management planning. However, glioma features on MRI do not directly correlate with tumor cell distribution. Additionally, there is evidence that glioma tumor characteristics and prognosis are sex-dependent. Magnetic resonance elastography (MRE) is an imaging technique that allows interrogation of tissue stiffness in-vivo and has found utility in the imaging of several cancers. We investigate the relationship between MRI features, MRE features, and growth parameters derived from an established mathematical model of glioma proliferation and invasion. Results suggest that both the relationship between tumor volume and tumor stiffness as well as the relationship between the parameters derived from the mathematical model and tumor stiffness are sex-dependent. These findings lend evidence to a growing body of knowledge about the clinical importance of sex in the context of cancer diagnosis, prognosis and treatment.

Although glioblastoma is a fatal primary brain cancer with a short median survival of 15 months, a small number of patients survive more than 5 years after diagnosis; they are known as extreme survivors (ES). Due to their rarity, very little is known about what differentiates these outliers from other glioblastoma patients. For the purpose of identifying unknown drivers of extreme survivorship in glioblastoma, we developed the ENDURES consortium (ENvironmental Dynamics Underlying Responsive Extreme Survivors of glioblastoma). This consortium is a multicenter collaborative network of investigators focused on the integration of multiple types of clinical data and the creation of patient-specific models of tumor growth informed by radiographic and histological parameters. Leveraging our combined resources, the goals of the ENDURES consortium are two-fold: (1) to build a curated, searchable, multilayered repository housing clinical and outcome data on a large cohort of ES patients with glioblastoma and (2) to leverage the ENDURES repository for new insights on tumor behavior and novel targets for prolonging survival for all glioblastoma patients. In this article, we review the available literature and discuss what is already known about ES. We then describe the creation of our consortium and some of our preliminary results.

Abstract Magnetic resonance imaging (MRI) is key to clinically managing brain tumor patients, however connecting the biology to imaging remains challenging. We previously developed a two-compartment model of MRI signal intensity to quantitatively estimate relative edema abundance from T2-weighted MRIs. Using this model, we previously identified the fatty acid metabolism (FAM) and oxidative phosphorylation (OxPhos) pathways as sex-distinct, with both pathways amplified for high edema in males and low edema in females. The purpose of this project was to further delineate sex-distinct biology associated with MRI-estimated brain tumor edema abundance. We analyzed 179 multiregional samples (Female: 75; Male: 104) from 55 high grade glioma patients (Female: 21; Male: 34) for bulk RNA-Seq. Patients’ pre-surgical multiparametric MRIs were preprocessed and segmented for abnormal regions and normal tissue. Utilizing the segmentations and preprocessed images we estimated the relative fractions of extracellular and intracellular space based on the edema mathematical model. Samples were characterized by their edema scores, which were analyzed using differential expression for high and low edema, gene set enrichment analysis (GSEA) using MSigDB hallmarks, and leading edge interpretation. Based on transcriptomic leading edge analyses of high and low edema samples from sex-separated cohorts, we identified common and sex-distinct enrichment of the FAM and OxPhos pathways underlying edema patterns. Of the OxPhos pathway leading edge genes, 45 were common, 36 were unique to females, and 66 were unique to males. Of the FAM pathway leading edge genes, 8 were common, 39 were unique to females, and 29 were unique to males. Notably, expression of both IDH1 and IDH2 were increased for males in regions of high edema in the OxPhos pathway. IDH3a was decreased for females in regions of low edema in the OxPhos pathway. These data suggest that there may be sex-distinct metabolism underlying MRI measurable edema formation.

Temozolomide (TMZ) has been the standard-of-care chemotherapy for glioblastoma (GBM) patients for more than a decade. Despite this long time in use, significant questions remain regarding how best to optimize TMZ therapy for individual patients. Understanding the relationship between TMZ response and factors such as number of adjuvant TMZ cycles, patient age, patient sex, and image-based tumor features, might help predict which GBM patients would benefit most from TMZ, particularly for those whose tumors are not MGMT methylated. Using a cohort of 90 newly-diagnosed GBM patients treated according to the Stupp protocol, we examined the relationships between several patient and tumor characteristics and volumetric and survival outcomes during adjuvant chemotherapy. Volumetric changes in MR imaging abnormalities during adjuvant therapy were used to assess TMZ response. T1Gd volumetric response is associated with younger patient age, increased number of TMZ cycles, longer time to nadir volume, and decreased tumor invasiveness. Moreover, increased adjuvant TMZ cycles corresponded with improved volumetric response only among more nodular tumors, and this volumetric response was associated with improved survival outcomes. Finally, in a subcohort of patients with known MGMT methylation status, MGMT methylated tumors were more diffusely invasive than unmethylated tumors, suggesting that the improved response in nodular tumors is not driven by a preponderance of MGMT methylated tumors. Our finding that less diffusely invasive tumors are associated with greater volumetric response to TMZ suggests that patients with these tumors may benefit from additional cycles of adjuvant TMZ, even for those without MGMT methylation.