Summary

Background

 International consensus recognises four medulloblastoma molecular subgroups: WNT (MB_WNT), SHH (MB_SHH), group 3 (MB_Grp3), and group 4 (MB_Grp4), each defined by their characteristic genome-wide transcriptomic and DNA methylomic profiles. These subgroups have distinct clinicopathological and molecular features, and underpin current disease subclassification and initial subgroup-directed therapies that are underway in clinical trials. However, substantial biological heterogeneity and differences in survival are apparent within each subgroup, which remain to be resolved. We aimed to investigate whether additional molecular subgroups exist within childhood medulloblastoma and whether these could be used to improve disease subclassification and prognosis predictions. 

Methods

 In this retrospective cohort study, we assessed 428 primary medulloblastoma samples collected from UK Children's Cancer and Leukaemia Group (CCLG) treatment centres (UK), collaborating European institutions, and the UKCCSG-SIOP-PNET3 European clinical trial. An independent validation cohort (n=276) of archival tumour samples was also analysed. We analysed samples from patients with childhood medulloblastoma who were aged 0–16 years at diagnosis, and had central review of pathology and comprehensive clinical data. We did comprehensive molecular profiling, including DNA methylation microarray analysis, and did unsupervised class discovery of test and validation cohorts to identify consensus primary molecular subgroups and characterise their clinical and biological significance. We modelled survival of patients aged 3–16 years in patients (n=215) who had craniospinal irradiation and had been treated with a curative intent. 

Findings

 Seven robust and reproducible primary molecular subgroups of childhood medulloblastoma were identified. MB_WNT remained unchanged and each remaining consensus subgroup was split in two. MB_SHH was split into age-dependent subgroups corresponding to infant (<4·3 years; MB_SHH-Infant; n=65) and childhood patients (≥4·3 years; MB_SHH-Child; n=38). MB_Grp3 and MB_Grp4 were each split into high-risk (MB_Grp3-HR [n=65] and MB_Grp4-HR [n=85]) and low-risk (MB_Grp3-LR [n=50] and MB_Grp4-LR [n=73]) subgroups. These biological subgroups were validated in the independent cohort. We identified features of the seven subgroups that were predictive of outcome. Cross-validated subgroup-dependent survival models, incorporating these novel subgroups along with secondary clinicopathological and molecular features and established disease risk-factors, outperformed existing disease risk-stratification schemes. These subgroup-dependent models stratified patients into four clinical risk groups for 5-year progression-free survival: favourable risk (54 [25%] of 215 patients; 91% survival [95% CI 82–100]); standard risk (50 [23%] patients; 81% survival [70–94]); high-risk (82 [38%] patients; 42% survival [31–56]); and very high-risk (29 [13%] patients; 28% survival [14–56]). 

Interpretation

 The discovery of seven novel, clinically significant subgroups improves disease risk-stratification and could inform treatment decisions. These data provide a new foundation for future research and clinical investigations. 

Funding

 Cancer Research UK, The Tom Grahame Trust, Star for Harris, Action Medical Research, SPARKS, The JGW Patterson Foundation, The INSTINCT network (co-funded by The Brain Tumour Charity, Great Ormond Street Children's Charity, and Children with Cancer UK).

Abstract Background. Glioma is the most common form of primary malignant brain tumor in adults, with approximately 4 cases per 100 000 people each year. Gliomas, like many tumors, are thought to primarily metabolize glucose for energy production; however, the reliance upon glycolysis has recently been called into question. In this study, we aimed to identify the metabolic fuel requirements of human glioma cells. Methods. We used database searches and tissue culture resources to evaluate genotype and protein expression, tracked oxygen consumption rates to study metabolic responses to various substrates, performed histochemical techniques and fluorescence-activated cell sorting-based mitotic profiling to study cellular proliferation rates, and employed an animal model of malignant glioma to evaluate a new therapeutic intervention. Results. We observed the presence of enzymes required for fatty acid oxidation within human glioma tissues. In addition, we demonstrated that this metabolic pathway is a major contributor to aerobic respiration in primary-cultured cells isolated from human glioma and grown under serum-free conditions. Moreover, inhibiting fatty acid oxidation reduces proliferative activity in these primary-cultured cells and prolongs survival in a syngeneic mouse model of malignant glioma. Conclusions. Fatty acid oxidation enzymes are present and active within glioma tissues. Targeting this metabolic pathway reduces energy production and cellular proliferation in glioma cells. The drug etomoxir may provide therapeutic benefit to patients with malignant glioma. In addition, the expression of fatty acid oxidation enzymes may provide prognostic indicators for clinical practice.

We undertook a comprehensive clinical and biological investigation of serial medulloblastoma biopsies obtained at diagnosis and relapse. Combined MYC family amplifications and P53 pathway defects commonly emerged at relapse, and all patients in this group died of rapidly progressive disease postrelapse. To study this interaction, we investigated a transgenic model of MYCN-driven medulloblastoma and found spontaneous development of Trp53 inactivating mutations. Abrogation of p53 function in this model produced aggressive tumors that mimicked characteristics of relapsed human tumors with combined P53-MYC dysfunction. Restoration of p53 activity and genetic and therapeutic suppression of MYCN all reduced tumor growth and prolonged survival. Our findings identify P53-MYC interactions at medulloblastoma relapse as biomarkers of clinically aggressive disease that may be targeted therapeutically.

Summary Medulloblastoma is currently sub-classified into distinct DNA methylation subgroups/subtypes with particular clinico-molecular features. Using RNA-seq in large well annotated cohorts of medulloblastoma we show that transcriptionally Group3 and Group4 medulloblastomas exist not as discrete types but as intermediates on a bipolar continuum between archetypal Group3 and Group4 entities. Continuum position is prognostic, reflects propensity for specific DNA copy-number changes, key switches in isoform/enhancer usage and RNA-editing. Examining scRNA-seq profiles we show intra-tumoral transcriptional heterogeneity along the continuum is limited in a subtype-dependent manner. By integrating with a human scRNA-seq reference atlas we show this continuum is mirrored by an equivalent continuum of transcriptional cell types in early fetal cerebellar development. We identify unique developmental niches for all four major subgroups and link each to a common developmental antecedent. Our findings show a transcriptional continuum arising from oncogenic disruption of highly specific fetal cerebellar cell types, linked to almost every aspect of Group3/Group4 molecular biology and clinico-pathology.

This review examines the use of Support Vector Machine (SVM) classification for automated handwritten signature verification, a vital aspect of biometric authentication and fraud detection. Addressing challenges like intra-class variations and inter-class similarities, the system leverages MATLAB's SVM framework with image preprocessing techniques, including dimensional standardization (100x100 pixels), grayscale conversion, and vector transformation for feature extraction. Using a linear kernel, the SVM effectively constructs optimal hyperplanes to distinguish genuine signatures from forgeries with high accuracy and computational efficiency. The system excels in handling variations in signature styles and writing pressure, demonstrating robust performance through empirical testing and comparisons with recent studies. Future improvements could explore advanced feature extraction, alternative kernel functions, and deep learning integration to enhance reliability in real-world applications. This review underscores SVM's effectiveness as a reliable tool for biometric authentication.