Identificazione biomarcatori di medulloblastoma tramite analisi proteomica e bioinformatica di liquido cefalorachidiano ottenuto tramite drenaggio extraventricolare

Abstract

Il medulloblastoma (MB) è il tumore maligno pediatrico più comune del sistema nervoso centrale. La sopravvivenza complessiva nel MB dipende dalla ottimizzazione del trattamento. È necessario individuare biomarcatori di malattia residua e di recidiva. A tal fine è stato analizzato il proteoma del liquido cerebrospinale di scarto proveniente dal drenaggio extraventricolare (EVD) di 6 bambini affetti da vari sottotipi di MB e 6 controlli che necessitavano dell'inserimento di EVD per cause non correlate. I campioni esaminati erano: liquor totale, microvescicole, esosomi e proteine catturate da una libreria di ligandi peptidici combinatori legate a beads. L’analisi proteomica, condotta con cromatografia liquida accoppiata alla spettrometria di massa tandem ha identificato 3560 proteine nel liquor dei pazienti di controllo e di MB, di cui 2412 (67,7%) overlapping e 346 (9,7%) e 805 (22,6%) esclusive. I campioni sono stati discriminati tramite analisi di scaling multidimensionale. L'analisi weighted gene co-expression network analysis (WGCNA) ha identificato i moduli funzionalmente associati ai campioni. Un nucleo di 192 proteine ha permesso di distinguere i campioni di controllo da quelli dei pazienti MB. L'analisi machine learning ha evidenziato la proteina di trasporto degli acidi grassi a catena lunga 4 (SLC27A4) e la laminina di tipo B (LMNB1) come proteine che massimizzano la discriminazione tra campioni di controllo e MB. L'analisi WGCNA e la Support vector Machine learning sono stati in grado di distinguere tra MB e controlli non tumorali/emorragici. I due potenziali biomarcatori proteici per la discriminazione tra controllo e MB sono candidati biomarcatori per guidare la terapia e prevedere le recidive, migliorando la qualità di vita dei pazienti con MB.

Medulloblastoma (MB) is the most common pediatric malignant central nervous system tumor. Overall survival in MB depends on treatment tuning. There is the need for biomarkers of residual disease, and recurrence. We analysed the proteome of waste cerebrospinal fluid (CSF) from extraventricular drainage (EVD) from 6 children bearing various subtypes of MB and 6 controls needing EVD insertion for unrelated causes. Samples included total CSF, Microvesicles, Exosomes, and proteins captured by combinatorial peptide ligand library (CPLL). Liquid Chromatography-Coupled Tandem Mass Spectrometry proteomics identified 3560 proteins in CSF from control and MB patients, 2412 (67.7%) of which were overlapping, and 346 (9.7%) and 805 (22.6%) exclusive. Multidimensional scaling analysis discriminated samples. The weighted gene co-expression network analysis (WGCNA) identified those modules functionally associated with the samples. A ranked core of 192 proteins allowed distinguishing between control and MB samples. Machine learning highlighted long-chain fatty acid transport protein 4 (SLC27A4), and laminin B-type (LMNB1) as proteins that maximize the discrimination between control and MB samples, respectively. Machine learning WGCNA and Support vector Machine learning were able to distinguish between MB vs non-tumor/hemorrhagic controls. The two potential protein biomarkers for the discrimination between control and MB may guide therapy and predict recurrences, improving the MB patients quality of life.