BACKGROUND Neuroblastoma is one of the most common types of pediatric cancer. In current neuroblastoma prognosis, patients can be stratified into high- and low-risk groups. Generally, more than 90% of the patients in the low-risk group will survive, while less than 50% for those with the high-risk disease will survive. Since the so-called "high-risk" patients still contain patients with mixed good and poor outcomes, more refined stratification needs to be established so that for the patients with poor outcome, they can receive prompt and individualized treatment to improve their long-term survival rate, while the patients with good outcome can avoid unnecessary over treatment. METHODS We first mined co-expressed gene modules from microarray and RNA-seq data of neuroblastoma samples using the weighted network mining algorithm lmQCM, and summarize the resulted modules into eigengenes. Then patient similarity weight matrix was constructed with module eigengenes using two different approaches. At the last step, a consensus clustering method called Molecular Regularized Consensus Patient Stratification (MRCPS) was applied to aggregate both clinical information (clinical stage and clinical risk level) and multiple eigengene data for refined patient stratification. RESULTS The integrative method MRCPS demonstrated superior performance to clinical staging or transcriptomic features alone for the NB cohort stratification. It successfully identified the worst prognosis group from the clinical high-risk group, with less than 40% survived in the first 50 months of diagnosis. It also identified highly differentially expressed genes between best prognosis group and worst prognosis group, which can be potential gene biomarkers for clinical testing. CONCLUSIONS To address the need for better prognosis and facilitate personalized treatment on neuroblastoma, we modified the recently developed bioinformatics workflow MRCPS for refined patient prognosis. It integrates clinical information and molecular features such as gene co-expression for prognosis. This clustering workflow is flexible, allowing the integration of both categorical and numerical data. The results demonstrate the power of survival prognosis with this integrative analysis workflow, with superior prognostic performance to only using transcriptomic data or clinical staging/risk information alone. REVIEWERS This article was reviewed by Lan Hu, Haibo Liu, Julie Zhu and Aleksandra Gruca.

中文翻译：

---

分子特征与临床信息的集成，可预测神经母细胞瘤患者的预后。

背景技术神经母细胞瘤是儿童癌症的最常见类型之一。在目前的神经母细胞瘤预后中，可以将患者分为高危和低危人群。通常，低风险组中超过90％的患者可以存活，而高危疾病组中只有不到50％的患者可以存活。由于所谓的“高风险”患者仍然包含预后好的和预后差的患者，因此需要建立更精细的分层，以便对于预后差的患者，他们可以接受及时和个性化的治疗以改善其长期存活率高，而预后好的患者可以避免不必要的过度治疗。方法我们首先使用加权网络挖掘算法lmQCM从神经母细胞瘤样品的微阵列和RNA-seq数据中共表达基因模块，并将结果模块归纳为特征基因。然后使用两种不同的方法，使用模块特征基因构建患者相似权重矩阵。在最后一步中，采用了一种称为分子正则化共识患者分层（MRCPS）的共识聚类方法来汇总临床信息（临床阶段和临床风险水平）和多个特征基因数据，以进行精细的患者分层。结果对于NB队列分层，MRCPS综合方法表现出优于单独的临床分期或转录组学特征。它成功地从临床高风险组中确定了最差的预后组，在诊断的前50个月中存活率不到40％。它还鉴定了最佳预后组和最差预后组之间高度差异表达的基因，这可能是用于临床测试的潜在基因生物标记。结论为了满足更好的预后需求并促进神经母细胞瘤的个性化治疗，我们修改了最近开发的生物信息学工作流程MRCPS以改善患者的预后。它整合了临床信息和分子特征，例如基因共表达以进行预后。该聚类工作流非常灵活，可以集成分类数据和数字数据。结果证明了使用这种综合分析工作流程进行生存预后的力量，其预后性能优于仅使用转录组数据或仅使用临床分期/风险信息。审阅者本文由Lan Lan，Haibo Liu，Julie Zhu和Aleksandra Gruca撰写。结论为了满足更好的预后需求并促进神经母细胞瘤的个性化治疗，我们修改了最近开发的生物信息学工作流程MRCPS以改善患者的预后。它整合了临床信息和分子特征，例如基因共表达以进行预后。该聚类工作流非常灵活，可以集成分类数据和数字数据。结果证明了使用这种综合分析工作流程进行生存预后的强大功能，其预后性能优于仅使用转录组数据或仅使用临床分期/风险信息。审阅者本文由Lan Lan，Haibo Liu，Julie Zhu和Aleksandra Gruca审阅。结论为了满足更好的预后需求并促进神经母细胞瘤的个性化治疗，我们修改了最近开发的生物信息学工作流程MRCPS以改善患者的预后。它整合了临床信息和分子特征，例如基因共表达以进行预后。该聚类工作流非常灵活，可以集成分类数据和数字数据。结果证明了使用这种综合分析工作流程进行生存预后的力量，其预后性能优于仅使用转录组数据或仅使用临床分期/风险信息。审阅者本文由Lan Lan，Haibo Liu，Julie Zhu和Aleksandra Gruca审阅。我们修改了最近开发的生物信息学工作流程MRCPS，以改善患者的预后。它整合了临床信息和分子特征，例如基因共表达以进行预后。该聚类工作流非常灵活，可以集成分类数据和数字数据。结果证明了使用这种综合分析工作流程进行生存预后的强大功能，其预后性能优于仅使用转录组数据或仅使用临床分期/风险信息。审阅者本文由Lan Lan，Haibo Liu，Julie Zhu和Aleksandra Gruca审阅。我们修改了最近开发的生物信息学工作流程MRCPS，以改善患者的预后。它整合了临床信息和分子特征，例如基因共表达以进行预后。该聚类工作流非常灵活，可以集成分类数据和数字数据。结果证明了使用这种综合分析工作流程进行生存预后的力量，其预后性能优于仅使用转录组数据或仅使用临床分期/风险信息。审阅者本文由Lan Lan，Haibo Liu，Julie Zhu和Aleksandra Gruca审阅。结果证明了使用这种综合分析工作流程进行生存预后的力量，其预后性能优于仅使用转录组数据或仅使用临床分期/风险信息。审阅者本文由Lan Lan，Haibo Liu，Julie Zhu和Aleksandra Gruca审阅。结果证明了使用这种综合分析工作流程进行生存预后的力量，其预后性能优于仅使用转录组数据或仅使用临床分期/风险信息。审阅者本文由Lan Lan，Haibo Liu，Julie Zhu和Aleksandra Gruca审阅。