Abstract Purpose: The Cancer Genome Atlas (TCGA) project recently uncovered four molecular subtypes of gastric cancer: Epstein–Barr virus (EBV), microsatellite instability (MSI), genomically stable (GS), and chromosomal instability (CIN). However, their clinical significances are currently unknown. We aimed to investigate the relationship between subtypes and prognosis of patients with gastric cancer. Experimental Design: Gene expression data from a TCGA cohort (n = 262) were used to develop a subtype prediction model, and the association of each subtype with survival and benefit from adjuvant chemotherapy was tested in 2 other cohorts (n = 267 and 432). An integrated risk assessment model (TCGA risk score) was also developed. Results: EBV subtype was associated with the best prognosis, and GS subtype was associated with the worst prognosis. Patients with MSI and CIN subtypes had poorer overall survival than those with EBV subtype but better overall survival than those with GS subtype (P = 0.004 and 0.03 in two cohorts, respectively). In multivariate Cox regression analyses, TCGA risk score was an independent prognostic factor [HR, 1.5; 95% confidence interval (CI), 1.2–1.9; P = 0.001]. Patients with the CIN subtype experienced the greatest benefit from adjuvant chemotherapy (HR, 0.39; 95% CI, 0.16–0.94; P = 0.03) and those with the GS subtype had the least benefit from adjuvant chemotherapy (HR, 0.83; 95% CI, 0.36–1.89; P = 0.65). Conclusions: Our prediction model successfully stratified patients by survival and adjuvant chemotherapy outcomes. Further development of the prediction model is warranted. Clin Cancer Res; 23(15); 4441–9. ©2017 AACR.

Purpose To investigate whether radiomic features at MRI improve survival prediction in patients with glioblastoma multiforme (GBM) when they are integrated with clinical and genetic profiles. Materials and Methods Data in patients with a diagnosis of GBM between December 2009 and January 2017 (217 patients) were retrospectively reviewed up to May 2017 and allocated to training and test sets (3:1 ratio). Radiomic features (n = 796) were extracted from multiparametric MRI. A random survival forest (RSF) model was trained with the radiomic features along with clinical and genetic profiles (O-6-methylguanine-DNA-methyltransferase promoter methylation and isocitrate dehydrogenase 1 mutation statuses) to predict overall survival (OS) and progression-free survival (PFS). The RSF models were validated on the test set. The incremental values of radiomic features were evaluated by using the integrated area under the receiver operating characteristic curve (iAUC). Results The 217 patients had a mean age of 57.9 years, and there were 87 female patients (age range, 22-81 years) and 130 male patients (age range, 17-85 years). The median OS and PFS of patients were 352 days (range, 20-1809 days) and 264 days (range, 21-1809 days), respectively. The RSF radiomics models were successfully validated on the test set (iAUC, 0.652 [95% confidence interval {CI}, 0.524, 0.769] and 0.590 [95% CI: 0.502, 0.689] for OS and PFS, respectively). The addition of a radiomics model to clinical and genetic profiles improved survival prediction when compared with models containing clinical and genetic profiles alone (P = .04 and .03 for OS and PFS, respectively). Conclusion Radiomic MRI phenotyping can improve survival prediction when integrated with clinical and genetic profiles and thus has potential as a practical imaging biomarker. © RSNA, 2018 Online supplemental material is available for this article. See also the editorial by Jain and Lui in this issue.

Abstract The subventricular zone (SVZ), a neurogenic niche in the adult brain, is suspected to harbor neural stem cells (NSCs) that can acquire cancer-driving mutations and give rise to glioblastoma (GBM). Nevertheless, the corroborating genetic data are restricted to a small patient cohort. This study aimed to validate the presence of low-level oncogenic mutations in the SVZ of GBM patients and assess their clinical implications.. We performed deep hybrid capture sequencing of 15 GBM-associated genes and TERT promoter amplicon sequencing on triple-matched samples from the SVZ, primary tumor, and blood of 60 GBM patients. Approximately 62% of patients (40 of 61 patients) showed shared oncogenic mutations between the tumor and tumor-free SVZ, including TERT promoter, PTEN, and TP53. While shared mutations did not affect overall clinical profiles, TERT promoter mutations were significantly enriched in the shared group (94.9% of patients, p ≤ 0.001). RNA sequencing revealed upregulation of proliferation-related genes in tumors with shared SVZ mutations, and these patients had worse progression-free and overall survival (p = 0.038 and 0.031, respectively). This study provides the largest-scale genetic validation of the SVZ as a potential cellular origin of GBM, highlighting the distinct genetic and clinical features associated with shared oncogenic mutations. These findings warrant further investigation into the role of SVZ mutations in GBM genesis and their potential as therapeutic targets.

This study presents the development of kirigami-based auxetic metamaterials with multistability and shape-morphing capabilities through a design optimisation framework leveraging machine learning technology. The framework employs surrogate models and a differential evolution algorithm to optimise the design variables of a kirigami cell, ensuring specified bistability and scalability conditions. This cell-level optimisation is extended to the structure-level, where each cell is optimised for its assigned multistability and scalability. For multistability, the auxetic structure is divided into subregions with distinct bistability levels, with optimisation conducted accordingly. For shape morphing, the expansion ratio of each cell is predefined according to the target geometry, with optimisation performed to ensure required scalability. Various auxetic structures, combining different bistability levels and target geometries, are optimally designed and additively manufactured for experimental validation. The experimental results confirm that the proposed design optimisation effectively controls the auxetic behaviour, enabling tunable shapes morphing and programmed transformation sequences.