Predicting Treatment Outcomes in Glioblastoma: A Risk Score Model for TMZ Resistance and Immune Checkpoint Inhibition

Autores
González, Nazareno; Perez Kuper, Melanie; Garcia Fallit, Matías; Nicola Candia, Alejandro Javier; Peña Agudelo, Jorge Armando; Suarez Velandia, Maicol Mauricio; Romero, Ana Clara; Videla Richardson, Guillermo Agustin; Candolfi, Marianela
Año de publicación
2025
Idioma
inglés
Tipo de recurso
artículo
Estado
versión publicada
Descripción
Glioblastoma (GBM) presents significant therapeutic challenges due to its invasivenature and resistance to standard chemotherapy, i.e., temozolomide (TMZ). This studyaimed to identify gene signatures that predict poor TMZ response and high PD−L1/PD−1tumor expression, and explore potential sensitivity to alternative drugs. We analyzedThe Cancer Genome Atlas (TCGA) biopsy data to identify differentially expressed genes(DEGs) linked to these characteristics. Among 33 upregulated DEGs, 5 were significantlycorrelated with overall survival. A risk score model was built using these 5 DEGs, classifyingpatients into low-, medium-, and high-risk groups. We assessed immune cellinfiltration, immunosuppressive mediators, and epithelial–mesenchymal transition (EMT)markers in each group using correlation analysis, Gene Set Enrichment Analysis (GSEA),and machine learning. The model demonstrated strong predictive power, with high-riskpatients exhibiting poorer survival and increased immune infiltration. GSEA revealedupregulation of immune and EMT-related pathways in high-risk patients. Our analyses suggest that high-risk patients may exhibit limited response to PD−1 inhibitors, but couldshow sensitivity to etoposide and paclitaxel. This risk score model provides a valuabletool for guiding therapeutic decisions and identifying alternative chemotherapy options toenable the development of personalized and cost-effective treatments for GBM patients.
Fil: González, Nazareno. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Houssay. Instituto de Investigaciones Biomédicas. Universidad de Buenos Aires. Facultad de Medicina. Instituto de Investigaciones Biomédicas; Argentina
Fil: Perez Kuper, Melanie. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Houssay. Instituto de Investigaciones Biomédicas. Universidad de Buenos Aires. Facultad de Medicina. Instituto de Investigaciones Biomédicas; Argentina
Fil: Garcia Fallit, Matías. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Houssay. Instituto de Investigaciones Biomédicas. Universidad de Buenos Aires. Facultad de Medicina. Instituto de Investigaciones Biomédicas; Argentina
Fil: Nicola Candia, Alejandro Javier. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Houssay. Instituto de Investigaciones Biomédicas. Universidad de Buenos Aires. Facultad de Medicina. Instituto de Investigaciones Biomédicas; Argentina
Fil: Peña Agudelo, Jorge Armando. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Houssay. Instituto de Investigaciones Biomédicas. Universidad de Buenos Aires. Facultad de Medicina. Instituto de Investigaciones Biomédicas; Argentina
Fil: Suarez Velandia, Maicol Mauricio. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Houssay. Instituto de Investigaciones Biomédicas. Universidad de Buenos Aires. Facultad de Medicina. Instituto de Investigaciones Biomédicas; Argentina
Fil: Romero, Ana Clara. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Houssay. Instituto de Investigaciones Biomédicas. Universidad de Buenos Aires. Facultad de Medicina. Instituto de Investigaciones Biomédicas; Argentina
Fil: Videla Richardson, Guillermo Agustin. Fundación para la Lucha contra las Enfermedades Neurológicas de la Infancia; Argentina
Fil: Candolfi, Marianela. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Houssay. Instituto de Investigaciones Biomédicas. Universidad de Buenos Aires. Facultad de Medicina. Instituto de Investigaciones Biomédicas; Argentina
Materia
GLIOBLASTOMA
IMMUNE MICROENVIRONMENT
DIFFERENTIALLY EXPRESSED GENES
RISK SCORE MODEL
TEMOZOLOMIDE RESISTANCE
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Repositorio
CONICET Digital (CONICET)
Institución
Consejo Nacional de Investigaciones Científicas y Técnicas
OAI Identificador
oai:ri.conicet.gov.ar:11336/278348
Acceder
id CONICETDig_9787ac79a57a69be5636b9095faa52b4
oai_identifier_str oai:ri.conicet.gov.ar:11336/278348
network_acronym_str CONICETDig
repository_id_str 3498
network_name_str CONICET Digital (CONICET)
spelling Predicting Treatment Outcomes in Glioblastoma: A Risk Score Model for TMZ Resistance and Immune Checkpoint InhibitionGonzález, NazarenoPerez Kuper, MelanieGarcia Fallit, MatíasNicola Candia, Alejandro JavierPeña Agudelo, Jorge ArmandoSuarez Velandia, Maicol MauricioRomero, Ana ClaraVidela Richardson, Guillermo AgustinCandolfi, MarianelaGLIOBLASTOMAIMMUNE MICROENVIRONMENTDIFFERENTIALLY EXPRESSED GENESRISK SCORE MODELTEMOZOLOMIDE RESISTANCEhttps://purl.org/becyt/ford/3.3https://purl.org/becyt/ford/3Glioblastoma (GBM) presents significant therapeutic challenges due to its invasivenature and resistance to standard chemotherapy, i.e., temozolomide (TMZ). This studyaimed to identify gene signatures that predict poor TMZ response and high PD−L1/PD−1tumor expression, and explore potential sensitivity to alternative drugs. We analyzedThe Cancer Genome Atlas (TCGA) biopsy data to identify differentially expressed genes(DEGs) linked to these characteristics. Among 33 upregulated DEGs, 5 were significantlycorrelated with overall survival. A risk score model was built using these 5 DEGs, classifyingpatients into low-, medium-, and high-risk groups. We assessed immune cellinfiltration, immunosuppressive mediators, and epithelial–mesenchymal transition (EMT)markers in each group using correlation analysis, Gene Set Enrichment Analysis (GSEA),and machine learning. The model demonstrated strong predictive power, with high-riskpatients exhibiting poorer survival and increased immune infiltration. GSEA revealedupregulation of immune and EMT-related pathways in high-risk patients. Our analyses suggest that high-risk patients may exhibit limited response to PD−1 inhibitors, but couldshow sensitivity to etoposide and paclitaxel. This risk score model provides a valuabletool for guiding therapeutic decisions and identifying alternative chemotherapy options toenable the development of personalized and cost-effective treatments for GBM patients.Fil: González, Nazareno. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Houssay. Instituto de Investigaciones Biomédicas. Universidad de Buenos Aires. Facultad de Medicina. Instituto de Investigaciones Biomédicas; ArgentinaFil: Perez Kuper, Melanie. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Houssay. Instituto de Investigaciones Biomédicas. Universidad de Buenos Aires. Facultad de Medicina. Instituto de Investigaciones Biomédicas; ArgentinaFil: Garcia Fallit, Matías. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Houssay. Instituto de Investigaciones Biomédicas. Universidad de Buenos Aires. Facultad de Medicina. Instituto de Investigaciones Biomédicas; ArgentinaFil: Nicola Candia, Alejandro Javier. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Houssay. Instituto de Investigaciones Biomédicas. Universidad de Buenos Aires. Facultad de Medicina. Instituto de Investigaciones Biomédicas; ArgentinaFil: Peña Agudelo, Jorge Armando. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Houssay. Instituto de Investigaciones Biomédicas. Universidad de Buenos Aires. Facultad de Medicina. Instituto de Investigaciones Biomédicas; ArgentinaFil: Suarez Velandia, Maicol Mauricio. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Houssay. Instituto de Investigaciones Biomédicas. Universidad de Buenos Aires. Facultad de Medicina. Instituto de Investigaciones Biomédicas; ArgentinaFil: Romero, Ana Clara. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Houssay. Instituto de Investigaciones Biomédicas. Universidad de Buenos Aires. Facultad de Medicina. Instituto de Investigaciones Biomédicas; ArgentinaFil: Videla Richardson, Guillermo Agustin. Fundación para la Lucha contra las Enfermedades Neurológicas de la Infancia; ArgentinaFil: Candolfi, Marianela. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Houssay. Instituto de Investigaciones Biomédicas. Universidad de Buenos Aires. Facultad de Medicina. Instituto de Investigaciones Biomédicas; ArgentinaMDPI2025-05info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfapplication/pdfapplication/pdfapplication/pdfapplication/pdfapplication/pdfhttp://hdl.handle.net/11336/278348González, Nazareno; Perez Kuper, Melanie; Garcia Fallit, Matías; Nicola Candia, Alejandro Javier; Peña Agudelo, Jorge Armando; et al.; Predicting Treatment Outcomes in Glioblastoma: A Risk Score Model for TMZ Resistance and Immune Checkpoint Inhibition; MDPI; Biology; 14; 5; 5-2025; 1-242079-7737CONICET DigitalCONICETenginfo:eu-repo/semantics/altIdentifier/url/https://www.mdpi.com/2079-7737/14/5/572info:eu-repo/semantics/altIdentifier/doi/10.3390/biology14050572info:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2026-01-08T12:57:56Zoai:ri.conicet.gov.ar:11336/278348instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982026-01-08 12:57:56.921CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse
dc.title.none.fl_str_mv Predicting Treatment Outcomes in Glioblastoma: A Risk Score Model for TMZ Resistance and Immune Checkpoint Inhibition
title Predicting Treatment Outcomes in Glioblastoma: A Risk Score Model for TMZ Resistance and Immune Checkpoint Inhibition
spellingShingle Predicting Treatment Outcomes in Glioblastoma: A Risk Score Model for TMZ Resistance and Immune Checkpoint Inhibition
González, Nazareno
GLIOBLASTOMA
IMMUNE MICROENVIRONMENT
DIFFERENTIALLY EXPRESSED GENES
RISK SCORE MODEL
TEMOZOLOMIDE RESISTANCE
title_short Predicting Treatment Outcomes in Glioblastoma: A Risk Score Model for TMZ Resistance and Immune Checkpoint Inhibition
title_full Predicting Treatment Outcomes in Glioblastoma: A Risk Score Model for TMZ Resistance and Immune Checkpoint Inhibition
title_fullStr Predicting Treatment Outcomes in Glioblastoma: A Risk Score Model for TMZ Resistance and Immune Checkpoint Inhibition
title_full_unstemmed Predicting Treatment Outcomes in Glioblastoma: A Risk Score Model for TMZ Resistance and Immune Checkpoint Inhibition
title_sort Predicting Treatment Outcomes in Glioblastoma: A Risk Score Model for TMZ Resistance and Immune Checkpoint Inhibition
dc.creator.none.fl_str_mv González, Nazareno
Perez Kuper, Melanie
Garcia Fallit, Matías
Nicola Candia, Alejandro Javier
Peña Agudelo, Jorge Armando
Suarez Velandia, Maicol Mauricio
Romero, Ana Clara
Videla Richardson, Guillermo Agustin
Candolfi, Marianela
author González, Nazareno
author_facet González, Nazareno
Perez Kuper, Melanie
Garcia Fallit, Matías
Nicola Candia, Alejandro Javier
Peña Agudelo, Jorge Armando
Suarez Velandia, Maicol Mauricio
Romero, Ana Clara
Videla Richardson, Guillermo Agustin
Candolfi, Marianela
author_role author
author2 Perez Kuper, Melanie
Garcia Fallit, Matías
Nicola Candia, Alejandro Javier
Peña Agudelo, Jorge Armando
Suarez Velandia, Maicol Mauricio
Romero, Ana Clara
Videla Richardson, Guillermo Agustin
Candolfi, Marianela
author2_role author
author
author
author
author
author
author
author
dc.subject.none.fl_str_mv GLIOBLASTOMA
IMMUNE MICROENVIRONMENT
DIFFERENTIALLY EXPRESSED GENES
RISK SCORE MODEL
TEMOZOLOMIDE RESISTANCE
topic GLIOBLASTOMA
IMMUNE MICROENVIRONMENT
DIFFERENTIALLY EXPRESSED GENES
RISK SCORE MODEL
TEMOZOLOMIDE RESISTANCE
purl_subject.fl_str_mv https://purl.org/becyt/ford/3.3
https://purl.org/becyt/ford/3
dc.description.none.fl_txt_mv Glioblastoma (GBM) presents significant therapeutic challenges due to its invasivenature and resistance to standard chemotherapy, i.e., temozolomide (TMZ). This studyaimed to identify gene signatures that predict poor TMZ response and high PD−L1/PD−1tumor expression, and explore potential sensitivity to alternative drugs. We analyzedThe Cancer Genome Atlas (TCGA) biopsy data to identify differentially expressed genes(DEGs) linked to these characteristics. Among 33 upregulated DEGs, 5 were significantlycorrelated with overall survival. A risk score model was built using these 5 DEGs, classifyingpatients into low-, medium-, and high-risk groups. We assessed immune cellinfiltration, immunosuppressive mediators, and epithelial–mesenchymal transition (EMT)markers in each group using correlation analysis, Gene Set Enrichment Analysis (GSEA),and machine learning. The model demonstrated strong predictive power, with high-riskpatients exhibiting poorer survival and increased immune infiltration. GSEA revealedupregulation of immune and EMT-related pathways in high-risk patients. Our analyses suggest that high-risk patients may exhibit limited response to PD−1 inhibitors, but couldshow sensitivity to etoposide and paclitaxel. This risk score model provides a valuabletool for guiding therapeutic decisions and identifying alternative chemotherapy options toenable the development of personalized and cost-effective treatments for GBM patients.
Fil: González, Nazareno. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Houssay. Instituto de Investigaciones Biomédicas. Universidad de Buenos Aires. Facultad de Medicina. Instituto de Investigaciones Biomédicas; Argentina
Fil: Perez Kuper, Melanie. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Houssay. Instituto de Investigaciones Biomédicas. Universidad de Buenos Aires. Facultad de Medicina. Instituto de Investigaciones Biomédicas; Argentina
Fil: Garcia Fallit, Matías. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Houssay. Instituto de Investigaciones Biomédicas. Universidad de Buenos Aires. Facultad de Medicina. Instituto de Investigaciones Biomédicas; Argentina
Fil: Nicola Candia, Alejandro Javier. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Houssay. Instituto de Investigaciones Biomédicas. Universidad de Buenos Aires. Facultad de Medicina. Instituto de Investigaciones Biomédicas; Argentina
Fil: Peña Agudelo, Jorge Armando. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Houssay. Instituto de Investigaciones Biomédicas. Universidad de Buenos Aires. Facultad de Medicina. Instituto de Investigaciones Biomédicas; Argentina
Fil: Suarez Velandia, Maicol Mauricio. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Houssay. Instituto de Investigaciones Biomédicas. Universidad de Buenos Aires. Facultad de Medicina. Instituto de Investigaciones Biomédicas; Argentina
Fil: Romero, Ana Clara. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Houssay. Instituto de Investigaciones Biomédicas. Universidad de Buenos Aires. Facultad de Medicina. Instituto de Investigaciones Biomédicas; Argentina
Fil: Videla Richardson, Guillermo Agustin. Fundación para la Lucha contra las Enfermedades Neurológicas de la Infancia; Argentina
Fil: Candolfi, Marianela. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Houssay. Instituto de Investigaciones Biomédicas. Universidad de Buenos Aires. Facultad de Medicina. Instituto de Investigaciones Biomédicas; Argentina
description Glioblastoma (GBM) presents significant therapeutic challenges due to its invasivenature and resistance to standard chemotherapy, i.e., temozolomide (TMZ). This studyaimed to identify gene signatures that predict poor TMZ response and high PD−L1/PD−1tumor expression, and explore potential sensitivity to alternative drugs. We analyzedThe Cancer Genome Atlas (TCGA) biopsy data to identify differentially expressed genes(DEGs) linked to these characteristics. Among 33 upregulated DEGs, 5 were significantlycorrelated with overall survival. A risk score model was built using these 5 DEGs, classifyingpatients into low-, medium-, and high-risk groups. We assessed immune cellinfiltration, immunosuppressive mediators, and epithelial–mesenchymal transition (EMT)markers in each group using correlation analysis, Gene Set Enrichment Analysis (GSEA),and machine learning. The model demonstrated strong predictive power, with high-riskpatients exhibiting poorer survival and increased immune infiltration. GSEA revealedupregulation of immune and EMT-related pathways in high-risk patients. Our analyses suggest that high-risk patients may exhibit limited response to PD−1 inhibitors, but couldshow sensitivity to etoposide and paclitaxel. This risk score model provides a valuabletool for guiding therapeutic decisions and identifying alternative chemotherapy options toenable the development of personalized and cost-effective treatments for GBM patients.
publishDate 2025
dc.date.none.fl_str_mv 2025-05
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/11336/278348
González, Nazareno; Perez Kuper, Melanie; Garcia Fallit, Matías; Nicola Candia, Alejandro Javier; Peña Agudelo, Jorge Armando; et al.; Predicting Treatment Outcomes in Glioblastoma: A Risk Score Model for TMZ Resistance and Immune Checkpoint Inhibition; MDPI; Biology; 14; 5; 5-2025; 1-24
2079-7737
CONICET Digital
CONICET
url http://hdl.handle.net/11336/278348
identifier_str_mv González, Nazareno; Perez Kuper, Melanie; Garcia Fallit, Matías; Nicola Candia, Alejandro Javier; Peña Agudelo, Jorge Armando; et al.; Predicting Treatment Outcomes in Glioblastoma: A Risk Score Model for TMZ Resistance and Immune Checkpoint Inhibition; MDPI; Biology; 14; 5; 5-2025; 1-24
2079-7737
CONICET Digital
CONICET
dc.language.none.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://www.mdpi.com/2079-7737/14/5/572
info:eu-repo/semantics/altIdentifier/doi/10.3390/biology14050572
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
dc.format.none.fl_str_mv application/pdf
application/pdf
application/pdf
application/pdf
application/pdf
application/pdf
dc.publisher.none.fl_str_mv MDPI
publisher.none.fl_str_mv MDPI
dc.source.none.fl_str_mv reponame:CONICET Digital (CONICET)
instname:Consejo Nacional de Investigaciones Científicas y Técnicas
reponame_str CONICET Digital (CONICET)
collection CONICET Digital (CONICET)
instname_str Consejo Nacional de Investigaciones Científicas y Técnicas
repository.name.fl_str_mv CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas
repository.mail.fl_str_mv dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar
_version_ 1853775473677434880
score 13.25844

Publicaciones similares