Abstract Glioblastoma is characterized by widespread genetic and transcriptional heterogeneity, yet little is known about the role of the epigenome in glioblastoma disease progression. Here, we present genome-scale maps of the DNA methylation dynamics in matched primary and recurring glioblastoma tumors, based on a national population registry and a comprehensively annotated clinical cohort. We demonstrate the feasibility of DNA methylation mapping in a large set of routinely collected formalin-fixed paraffin-embedded (FFPE) samples, and we validate bisulfite sequencing as a multi-purpose assay that allowed us to infer a range of different genetic, epigenetic, and transcriptional tumor characteristics. Based on these data, we identified characteristic differences between primary and recurring tumors, links between DNA methylation and the tumor microenvironment, and an association of epigenetic tumor heterogeneity with patient survival. In summary, this study provides a resource for dissecting DNA methylation heterogeneity in genetically diverse and heterogeneous tumors, and it demonstrates the feasibility of integrating epigenomics, radiology, and digital pathology in a representative national cohort, leveraging samples and data collected as part of routine clinical practice.

Abstract Introduction With the application of high-resolution 3D 7 Tesla Magnetic Resonance Spectroscopy Imaging (MRSI) in high-grade gliomas, we previously identified intratumoral metabolic heterogeneities. In this study, we evaluated the potential of 3D 7 T-MRSI for the preoperative noninvasive classification of glioma grade and isocitrate dehydrogenase (IDH) status. We demonstrated that IDH mutation and glioma grade are detectable by ultra-high field (UHF) MRI. This technique might potentially optimize the perioperative management of glioma patients. Methods We prospectively included 36 patients with WHO 2021 grade 2–4 gliomas (20 IDH mutated, 16 IDH wildtype). Our 7 T 3D MRSI sequence provided high-resolution metabolic maps (e.g., choline, creatine, glutamine, and glycine) of these patients’ brains. We employed multivariate random forest and support vector machine models to voxels within a tumor segmentation, for classification of glioma grade and IDH mutation status. Results Random forest analysis yielded an area under the curve (AUC) of 0.86 for multivariate IDH classification based on metabolic ratios. We distinguished high- and low-grade tumors by total choline (tCho) / total N-acetyl-aspartate (tNAA) ratio difference, yielding an AUC of 0.99. Tumor categorization based on other measured metabolic ratios provided comparable accuracy. Conclusions We successfully classified IDH mutation status and high- versus low-grade gliomas preoperatively based on 7 T MRSI and clinical tumor segmentation. With this approach, we demonstrated imaging based tumor marker predictions at least as accurate as comparable studies, highlighting the potential application of MRSI for pre-operative tumor classifications.

5-aminolevulinic acid (5-ALA)-induced protoporphyrin IX (PpIX) fluorescence shows high sensitivity in detecting the tumor core of high-grade gliomas (HGG) but poor sensitivity for tissue of low-grade gliomas (LGG) and the margins of HGG. The characteristic emission peak for PpIX is known to be located at 635 nm. Recently, a second emission peak was described at 620 nm wavelength in LGG and the tumor infiltration zone of HGG.