Abstract Background Traumatic brain injury (TBI) is more common than ever and is becoming a global public health issue. However, there are no sensitive diagnostic or prognostic biomarkers to identify TBI, which leads to long-term consequences. In this study, we aim to identify genes that contribute to brain injury and to identify potential mechanisms for its progression in the early stages. Method From the Gene Expression Omnibus (GEO) database, we downloaded GSE2871’s gene expression profiles. Weighted gene coexpression network analyses (WGCNA) were conducted on differentially expressed genes (DEGs), and the DEGs were analyzed by Gene Set Enrichment Analysis(GSEA). An enrichment analysis of Gene Ontology (GO) and Kyoto Encyclopedia of Genes and Genomes (KEGG) was performed for understanding the biological functions of genes. The potential biomarkers were identified using 3 kinds of machine learning algorithms. Nomogram was constructed using the “rms” package. And the receiver operating characteristic curve (ROC) was plotted to detect and validate our prediction model sensitivity and specifificity. Results Between samples with and without brain injury, 107 DEGs were identified, including 47 upregulated genes and 60 downregulated genes. On the basis of WGCNA and DEGs, 97 target genes were identified. In addition, biological function analysis indicated that target genes were primarily involved in the interaction of neuroactive ligands with receptors, taste transduction, cortisol synthesis and secretion, potassium ion transport. Based on machine learning algorithms, LOC103691092, Npw could be potentially useful biomarkers for TBI and showed good diagnostic values. Finally, a nomogram was constructed of the expression levels of these seven target genes to predict level of TBI, and the ROC showed that these genes can be used as hub genes after TBI. Conclusion LOC103691092, NPW, STK39, KCND3, APOC3, FOXE3, and CHRNB1 were identified as hub genes of TBI. These findings can provide a new direction for the diagnosis and treatment of TBI.

e15533 Background: Peritoneal metastases occur in approximately 10% of all colorectal cancer (CRC) patients, which are associated with significant morbidity and worse clinical outcome. To date, the evolutionary pattern and molecular mechanisms of peritoneal metastases remains largely unknown, which provided little insights into the prevention and treatment of this subgroup of CRC patients. Methods: We performed whole-exome sequencing (WES) on 49 samples of matched primary tumors, peritoneal metastases, and lymph node metastases from 11 CRC patients. Phylogenetic reconstruction and evolutionary analyses were performed to investigate the mode and route of metastatic dissemination. The timing of metastatic dissemination was inferred using SCIMET. Metastases-associated driver events were analyzed and validated in two independent cohorts. Finally, therapeutic actionability of somatic alterations was assessed. Results: A characterization of metastatic dissemination found that 3 out of 11 patients displayed monoclonal dissemination. Whereas the other 8 patients exhibited polyclonal dissemination, of which 6 were monophyletic and 2 were polyphyletic. In five patients, we observed evidence for the metastasis-seeding-metastasis mode among peritoneal metastases. Additionally, the peritoneal metastases were mainly seeded by the primary tumor rather than the lymph node metastases. Metastatic timing inference found that most (9 out of 11) of the peritoneal metastases occurred early before the primary tumor became clinically detectable. Genetic alterations associated with peritoneal metastases were identified, including somatic mutations in TP53, SMAD4, KRAS, RNF43, and SMARCB1, as well as focal amplifications (8p24) and losses (17p12). Analysis of therapeutic actionability identified potentially targetable oncogenic alterations in all patients. Conclusions: Our results provided important insights into the evolutionary features of peritoneal metastases, which had profound implications for the prediction, prevention, and treatment of peritoneal metastasis in CRC.

Motivation: Arrhythmogenic right ventricular cardiomyopathy (ARVC) is characterized by progressive myocardial fibro-fatty infiltration accompanied by trabecular disarray. The prognostic value of trabecular disorder assessed by three-dimensional (3D) fractal dimension (FD) measurement is unclear. Goal(s): To investigate the prognostic value of 3D right ventricular trabecular complexity of ARVC. Approach: Using cine images, trabecular complexity was measured with 3D fractal analysis to calculate 3D-FD in ARVC patients retrospectively. Cox regression analyses and Kaplan-Meier survival analysis were performed to identify the prognostic value of 3D-FD. Results: RV 3D-FD was a significant risk predictor for MACE in ARVC and provided incremental prognostic value to conventional predictors. Impact: Based on the results, we suggested 3D RV trabecular complexity, derived from non-invasive imaging examination, as a new biomarker for early clinical therapy in medication and ICD implantation in order to moderate the onset of adverse endpoints in ARVC patients.