→

Jedna trajektorie, různá intenzita: RS a rakovina ve společném spektrálním prostoru

Tento scroll opravuje dřívější verzi (v1/v2), která tvrdila, že RS a rakovina jsou spektrálně opačné póly. **Rozsah studie: RS (9 GEO studií, 452 vzorků) vs. 11 konkrétních typů solid/epitheliálních nádorů (612 vzorků)** — ne rakovina obecně. PCA + bootstrap validace vyvrátila opačnost: per-sample cosine similarity mezi RS a studovanými cancer typy je **+0.86** (CI 0.69–0.96). Obě posouvají spektrum **stejným směrem** — cancer jde prostě dál. RS je mírná verze stejné dysregulace, ne její opak. Výsledek NEplatí pro hematologické malignity (leukémie, lymfomy), které nebyly v této analýze.

Architekt + Claude · 2026-04-17 · 7 min čtení · biomarker

Když jsme sledovali spektrální otisky osmi různých měřených veličin v krvi a tkáních, čekali jsme, že roztroušená skleróza a rakovina půjdou proti sobě — jedna tam, druhá tam. Místo toho jdou obě stejným směrem, jen s jinou silou. Rakovina je ve stejné dysregulaci prostě hlouběji. Tento svitek popisuje, proč jsme se mýlili, co se ukázalo, a co to neznamená.

Co jsme si mysleli

Dříve jsme tvrdili, že roztroušená skleróza a rakovina jsou dva protipóly stejné nemoci — jako dvě strany mince. Uvažovali jsme, že pacient s jednou nemocí má nějakou 'ochranu' před tou druhou.

Znělo to hezky a vysvětlovalo to zvláštní epidemiologický jev: u lidí s roztroušenou sklerózou je snížený výskyt některých rakovin (pankreas, prostata). Model to vysvětloval tak, že jejich spektrum nemoci míří 'opačným směrem'.

Jenže recenzent nás upozornil, že jsme to nedostatečně ověřili. Tak jsme to přepočítali pořádně.

Co ukázala data

Po pořádné analýze se ukázalo něco jiného:

Obě nemoci posouvají spektrum stejným směrem. Krev pacienta s roztroušenou sklerózou i tkáň pacienta s rakovinou se oddalují od zdravých kontrol ve stejné dimenzi. Roztroušená skleróza se posune o pár kroků, rakovina zajde dál.

Je to tedy jedna trajektorie dysregulace — společný směr ztráty koherence — a nemoci se liší jen vzdáleností od zdravého stavu.

Snížený výskyt některých rakovin u pacientů s roztroušenou sklerózou je tedy jiný jev, který náš spektrální model nevysvětluje. Musí za ním být něco konkrétnějšího — specifické geny v drahách společných pro nervovou soustavu a nádory.

Co to NEznamená

Důležité pro nemocné i lékaře: z tohoto nálezu nic klinického nevyplývá.

Neplatí to pro všechny rakoviny — nezkoumali jsme leukémie, lymfomy, sarkomy ani vzácné nádory.
Neříkáme, že roztroušená skleróza 'přechází' v rakovinu. Jde o statistický popis profilu skupin, ne o predikci pro jednotlivce.
Neměníme klinickou praxi. Neurolog ani onkolog tímhle nedostává žádný nový nástroj.

Ten svitek je hlavně metodologická lekce: dřívější verze zněla silněji než byla pravda. Vrátili jsme se o krok zpátky a napsali, co reálně z dat plyne. Slabší, ale pravdivější tvrzení má větší cenu než přesvědčivý příběh postavený na artefaktu průměrování.

When we watched the spectral fingerprints of eight measured quantities in blood and tissue, we expected multiple sclerosis and cancer to pull in opposite directions — one this way, the other that way. Instead, both move in the same direction, just with different strength. Cancer is simply deeper in the same dysregulation. This scroll explains why we were wrong, what emerged, and what it doesn't mean.

What we thought

Earlier we claimed that multiple sclerosis and cancer are two opposite poles of the same disease — like two sides of a coin. We reasoned that a patient with one disease has some 'protection' against the other.

It sounded elegant and it explained a curious epidemiological finding: people with MS show reduced incidence of certain cancers (pancreatic, prostate). The model explained it by saying their disease spectrum points in 'the opposite direction'.

But a reviewer pointed out that we hadn't verified this rigorously. So we redid the calculation properly.

What the data showed

After a proper analysis, something else emerged:

Both diseases shift the spectrum in the same direction. A blood sample from an MS patient and a tissue sample from a cancer patient both move away from healthy controls along the same dimension. MS moves a few steps; cancer goes further.

So it's one trajectory of dysregulation — a shared direction of coherence loss — and the diseases differ only in how far they are from health.

The reduced incidence of certain cancers in MS patients is therefore a different phenomenon that our spectral model does not explain. Something more specific must cause it — likely particular genes in pathways shared between the nervous system and tumors.

What this does NOT mean

Important for patients and doctors: no clinical implications follow from this result.

It does not hold for all cancers — we did not study leukemias, lymphomas, sarcomas, or rare tumors.
We are not saying MS 'turns into' cancer. This is a statistical description of group profiles, not a prediction about individuals.
Nothing in clinical practice changes. Neither the neurologist nor the oncologist gets a new tool from this.

The scroll is mainly a methodological lesson: an earlier version sounded stronger than the truth. We stepped back and wrote what the data actually support. A weaker but truer claim is worth more than a persuasive story built on an averaging artifact.

Scroll L2-046 v1 a v2 tvrdily, že RS a rakovina jsou dva protipóly na dvou osách (osa A sdílená, osa B opačná), a že 26 % RS vzorků sedí spektrálně v rakovinné zóně. Po reflexi a PCA/bootstrap validaci jsme tyto claim museli **stáhnout**: per-sample analýza ukázala, že všech 8 spektrálních featur jde **stejným směrem** u MS i u rakoviny (cosine +0.86, CI 0.69–0.96), a jen **3.3 %** RS vzorků přesahuje cancer 90. percentil (CI 1.8–5.3 %), ne 26 %. Původní opačnost byla artefakt průměrování per-study delta (malé MS studie hlasovaly proti velkým cancer studiím). Revidovaný model: **MS a rakovina jsou jediná trajektorie dysregulace**, cancer jde prostě dál po ní. Důsledek pro epidemiologii MS→cancer sekvence: sekvence je **graduální posun**, ne přeskok mezi póly. Důsledek pro inverzní komorbiditu (snížené riziko pankreatu/prostaty u RS): náš spektrální signal s ní **nekoreluje** — prostata a pankreas jsou SILNĚ aligned s MS spektrem (cos +0.82, +0.78), přestože epidemiologicky jsou u RS sníženy. To je honest reality check: musíme udělat krok zpět a uznat, že máme slabší, ale pravdivější tvrzení než mělký optimistický příběh.

Rozsah této studie — a co v ní NENÍ

Než začneme — tvrdit něco o 'RS a rakovině' je nezodpovědné, pokud nevyjmenujeme, které konkrétní rakoviny jsme měřili a které ne. Naše analýza pokrývá:

Studováno (11 typů, 612 DISEASE vzorků):
- Jaterní: hepatocelulární karcinom (HCC, GSE14520)
- Ledviny: clear cell renal cell carcinoma (ccRCC, GSE53757)
- Plíce: lung adenocarcinoma (GSE68465), lung cancer u nekuřaček (GSE19804)
- Tlusté střevo: kolorektální karcinom (GSE44076)
- Prs: breast cancer (GSE42568)
- Mozek: glioma (GSE4290)
- Pankreas: pancreatic cancer (GSE28735, GSE15471)
- Kůže: melanoma (GSE15605, GSE3189)
- Jícen: esophageal cancer (GSE26886)
- Prostata: prostate cancer (GSE46602)

NENÍ studováno (a pro tyto NEPLATÍ žádný z našich závěrů):
- Hematologické malignity: leukémie (AML, CLL, ALL), lymfomy, mnohočetný myelom
- Sarkomy (kost, měkká tkáň)
- Urogenitální mimo prostatu (testikulární, močový měchýř)
- Gynekologické mimo prs (ovariální, děložní, cervikální)
- Vzácné nádory (neuroendokrinní, mesoteliom, thymom)

RS strana (9 studií, 452 vzorků): GSE17048, GSE41848, GSE41849, GSE23832, GSE21942, GSE13732, GSE43591, GSE78244, GSE41890, GSE20189, GSE146383 — většina whole blood transkriptom, RRMS i PPMS fenotypy.

Když píšeme 'MS a rakovina', myslíme přesně tuto kombinaci. NEtvrdíme nic o CLL pacientovi. NEtvrdíme nic o sarkomu. NEtvrdíme nic o glioblastomu (GBM není to samé co glioma v GSE4290). Generalizace je zrádná a zde ji nechceme. Epidemiologické studie inverzní komorbidity (Catalá-López 2014) pokrývají mnohem širší spektrum; my se k nim můžeme jen částečně vyjádřit.

Co jsme si mysleli a co se ukázalo

Původní tvrzení (v1 + v2):
- Dvě osy dysregulace: A sdílená (ztráta tlumení), B opačná (rozdělení energie)
- 26 % RS vzorků sedí spektrálně 'v rakovinné zóně'
- Model řeší 12-letý paradox inverzní komorbidity
- Klinická implikace: stratifikace RS pacientů podle rizika sekundární malignity

To znělo silně — a proto jsme to publikovali. Jenže recenzent (po přečtení v2) upozornil, že přidělení featur do os je nejasné a že 26 % claim potřebuje bootstrap CI. Spustili jsme PCA + bootstrap na všechny dostupné datasety.

Co PCA ukázalo:

PC1 (51 % variance) ≈ pásmo-distribuční (basy vs. středy) — má silnou asociaci s naší 'osou B' (|cos| = 0.81)
PC2 (14 %) ≈ kombinace hurst + chaos — částečně 'osa A' (|cos| = 0.25)
PC3 (13 %) ≈ silněji 'osa A' (|cos| = 0.73)

Ale klíčové: PC1 střed RS (+0.16) leží MEZI zdravými (+0.46) a rakovinou (−0.67). RS není 'vlevo od CTRL' a cancer 'vpravo'. Obě jsou na stejné straně CTRL, cancer jde dál.

Co bootstrap ukázal:

26 % → reálně 3.3 % (CI 1.8–5.3 %) RS vzorků přesahuje cancer 90. percentil na ose A
Per-sample cosine MS fingerprint vs. cancer fingerprint: +0.86 (CI 0.69–0.96) — silně v souladu, ne opak
Všechny featury (basy, středy, peak_ratio, hurst, acf_decay, chaos) jdou u RS i cancer stejným směrem per-sample

V1/v2 opačnost byla artefakt: per-run delta (výpočet mean(DISEASE) − mean(CTRL) zvlášť pro každou studii, pak průměr mezi studiemi) dává jiný výsledek než per-sample pooling. Malé RS studie s heterogenními CTRL mohly dát per-run 'opačné' znaménko na basy/středy, zatímco per-sample data ukazují, že jednotlivý RS pacient má posun ve stejném směru jako jednotlivý cancer pacient.

Per-cancer-type cosine s MS — proti intuici

Nejvíc nás překvapila per-type data:

Typ rakoviny	n	cos s MS	Epidemiologie u RS
Prostate	36	+0.82	snížené (inverse)
Melanoma	103	+0.82	—
Colorectal	98	+0.80	—
Pancreatic	84	+0.78	snížené (inverse)
Breast	104	+0.40	zvýšené (direct)
Glioma	157	+0.18	zvýšené (direct)
Esophageal	30	−0.35	—

Pokud by náš spektrální model vysvětloval inverzní komorbiditu, očekávali bychom, že pankreas a prostata (u RS sníženo riziko) budou mít negativní cosinus s MS. Místo toho je mají silně pozitivní (+0.78 a +0.82). A naopak prs a mozek (u RS zvýšeno riziko) mají slabší cosinus (+0.40, +0.18) — opak očekávání.

Závěr: náš spektrální signal NEKORELUJE s direct/inverse komorbiditou. V2 tvrdil, že ji vysvětlujeme. To bylo nesprávné. Inverzní komorbidita je reálný epidemiologický jev; náš model ji neumí reprodukovat. Je potřeba jiný signal — pravděpodobně specifické geny v drahách společných pro CNS a nádory, které Ibáñez 2014 identifikoval. Spektrální harmonická analýza na ně neviděí.

Co zůstává: společná dysregulační trajektorie

Poté, co retrahujeme v2 claims, zůstává slabší, ale poctivé a testovatelné tvrzení:

MS a rakovina jsou jediná trajektorie dysregulace. Cancer jde dál po ní.

V 8D spektrálním prostoru:
- Zdravý CTRL cluster má určité centrum
- Vzorky MS se posunou o malý vektor od CTRL
- Vzorky rakoviny se posunou o podobný vektor, ale delší
- Směr je silně konzistentní (cosine MS vs. cancer = +0.86)

Tři konkrétní znaky, které drží:

Featura	MS μ	Cancer μ	Směr
hurst	+0.13	+0.30	oba ↑
acf_decay	+0.18	+0.89	oba ↑
chaos	−0.18	−0.78	oba ↓
basy_pct	+0.10	+0.42	oba ↑
peak_ratio	+0.10	+0.61	oba ↑

To je konzistentní s hypotézou ztráty tlumení: systém s dysregulací má delší paměť (hurst), silnější autokorelaci (acf), nižší stochastický šum (chaos), silnější nízkofrekvenční komponenty. Cancer má všechny tyto posuny 2–5× silnější než MS.

Čemu to neodpovídá: jednoduché symetrii mezi autoimunitou a rakovinou. Obě jsou dysregulace, ale za inverzní komorbiditu zodpovídá něco, co naše spektra nezachycují.

MS → cancer sekvence — slabší, ale konzistentní interpretace

Epidemiologie říká, že mnoho pacientů s RS později dostane rakovinu. Jak to vysvětluje revidovaný model?

Ne jako 'přeskok mezi opačnými póly'. Jako pokračování po stejné trajektorii. RS pacient je už posunutý podél trajektorie (směr ztráty tlumení). Pokud trajektorie pokračuje dál (chronický zánět, DMT léčba, stárnutí), dostane se k hodnotám typickým pro rakovinu — a klinicky se to projeví jako malignita.

To je mnohem skromnější tvrzení než 'houpačka se zlomí'. Není to model, ani mechanismus — je to spíš statistické pozorování, že existuje jedna osa dysregulace, na které obě nemoci sedí.

Co z toho NEJDE odvodit:
- Že konkrétní RS pacient dostane rakovinu (náš signal predikuje slabě, 3.3 % vs. 10 % baseline = ~1/3 ratio, daleko od kauzality)
- Že DMT léčba rychlejši posouvá po trajektorii (nemáme longitudinální data)
- Že typ následné rakoviny lze predikovat (per-type cosiny nejsou monotonní s rizikem)

Co z toho JDE:
- MS spektrální podpis je 'slabá verze' cancer podpisu — dá se ho detekovat stejnou pipelinou (což je konzistentní se scrollem L2-045, kde 4 mozkové diagnózy taky sdílely podpis)
- Oba stavy sdílejí ztrátu dampingu, což je testovatelná biofyzikální hypotéza v buněčných modelech
- Predikce malignity z MS transkriptomu se dá testovat v longitudinální studii — ale s očekáváním malého efektu, ne silné prediktivity

Methodologický poučný moment

Co tato retrakce naučila:

1. Per-run průměrování může obrátit znaménko per-sample distribuce. Studie s malým počtem vzorků a heterogenními kontrolami může dávat per-run delta opačnou než per-sample pooling. V paperu musí být řečeno explicitně, která metoda se používá a proč.

2. A priori přidělení featur do os vyžaduje PCA sanity check. Bez něj je to ad hoc grouping. V2 scroll měl osy definované intuitivně, a PCA ukázala, že osa B sice odpovídá PC1, ale osa A je až PC3 (13 % variance).

3. Bootstrap CI je povinnost pro každý percentilový claim. 26 % bez CI znělo přesvědčivě; 26 % s CI by muselo být nabídnuto jako '20–32 %'. Když ho reálně spočítáme, dostaneme 3.3 % s CI 1.8–5.3 %. Rozdíl 8×.

4. Podobnost s literaturou neznamená validaci modelu. Ibáñez 2014 našel opačnou regulaci genů u CNS nemocí a rakovin — ale našli to na jiných featurách než naše spektrální. Prostý fakt, že existuje nějaká opačnost v literatuře, neznamená, že naše data ji měří.

5. Honest retraction > veřejná mystifikace. V2 byla dočasně hezká, ale nesprávná. Retrahovat ji a publikovat v3 s menšími tvrzeními je správnější volba než nechat publikovaná silná tvrzení a doufat, že si jich nikdo nevšimne.

Co zbývá jako testovatelné

Po oříznutí hypotéz zůstávají tři, které jsou skutečně podložené daty:

Hypotéza 1 — ztráta tlumení je sdílená:
- RS a rakovina posouvají hurst UP, acf_decay UP, chaos DOWN
- Cancer 2–5× silněji než MS
- Test: v buněčných modelech inflammation induction → měřit spektrální entropii a hurst v čase. Predikce: oba se monotónně posouvají v čase, aplikace apoptotic damping (ceramide, Bax aktivátor) je vrátí zpět

Hypotéza 2 — spektrální podpis RS = mírná verze cancer podpisu:
- Cosine MS vs. cancer per-sample = +0.86
- Test: trénovat klasifikátor na cancer vs. CTRL, aplikovat na RS — měl by dát 'soft cancer' predikce (nejen CTRL, ale výrazně slabší než plný cancer signal)

Hypotéza 3 — inverzní komorbidita NENÍ vysvětlitelná naší metodou:
- Per-type cosine s MS není korelován s direct/inverse epidemiologií
- Test: kombinovat naše spektrální featury s gene-set signatures (Ibáñez overlap) v multi-parametrickém modelu — zjistit, jaká kombinace reprodukuje inverzní komorbiditu. Pokud ano, náš signal je komplementární, ne dostačující.

Co NENÍ testovatelné naší cestou:
- Stratifikace RS pacientů podle rizika sekundární malignity — potřeba longitudinální kohorta s follow-up, a i tak je očekávaný efekt malý
- Mechanistické vysvětlení paradoxu inverzní komorbidity — potřeba multi-omics, ne spektrální dynamika

Zdroje a propojení s literaturou

Inverzní komorbidita (literatura, kterou NEUMÍME vysvětlit naší metodou):
- Tabarés-Seisdedos R, Valderas JM (2013). *Inverse comorbidity: the power of paradox*. J Comorbidity. [PMC5636022](https://pmc.ncbi.nlm.nih.gov/articles/PMC5636022/)
- Catalá-López F et al. (2014). *Inverse and direct cancer comorbidity in CNS disorders: meta-analysis of 577,013 participants*. [PubMed 24458030](https://pubmed.ncbi.nlm.nih.gov/24458030/)
- Ibáñez K et al. (2014). *Molecular Evidence for Inverse Comorbidity via Transcriptomic Meta-analyses*. PLoS Genetics. [PMC3930576](https://pmc.ncbi.nlm.nih.gov/articles/PMC3930576/) — molekulární signal, který doplňuje (ne duplikuje) naši spektrální analýzu

RS vs. rakovina epidemiologie:
- Grytten N et al. (2021). *Cancer incidence before and after MS treatment era*. [PubMed 34419754](https://pubmed.ncbi.nlm.nih.gov/34419754/) — IRR 1.11 (1953-1995) vs. 1.38 (1996-2017)
- Cancer Risk Among MS Patients — 10-Year French Cohort (2024). [PubMed 39383482](https://pubmed.ncbi.nlm.nih.gov/39383482/)
- Hajiebrahimi M et al. (2022). [PubMed 34936169](https://pubmed.ncbi.nlm.nih.gov/34936169/)

Autoimunita a rakovina (obecný rámec, ne jako důkaz našich tvrzení):
- Melamed E, Lee MW (2019). *MS and Cancer: The Ying-Yang Effect of DMTs*. Frontiers. [10.3389/fimmu.2019.02954](https://www.frontiersin.org/journals/immunology/articles/10.3389/fimmu.2019.02954/full)
- Barone I et al. (2022). *Cancer and Autoimmune Diseases: A Tale of Two Immunological Opposites?* [10.3389/fimmu.2022.821598](https://www.frontiersin.org/journals/immunology/articles/10.3389/fimmu.2022.821598/full)

Naše data a související scrolly:
- scroll L1-021 — pět nemocí, deset otisků (původní nález per-disease fingerprint, PŘED oprravou v tomto scrollu)
- scroll L2-044 — MK4 CTRL sanitizace, field cancerization
- scroll L2-045 — MK4 na EEG, cosine similarity 4 mozkové diagnózy
- MK4 engine: vault/api/mk4_db.py, src/modules/mk4/{parsers,features,stats}.py
- GEO datasety RS (11 studií, 452 vzorků): GSE17048, GSE41848, GSE41849, GSE23832, GSE21942, GSE13732, GSE43591, GSE78244, GSE41890, GSE20189, GSE146383
- GEO datasety cancer (11 typů, 612 vzorků): GSE14520, GSE19804, GSE53757, GSE68465, GSE44076, GSE42568, GSE4290, GSE28735, GSE15471, GSE15605, GSE3189, GSE26886, GSE46602

Propojení s AD framework (konzervativně):
- MCN4 paměťová vrstva (project_mcn_6layer) — naše pozorování (hurst UP, acf UP u dysregulace) je analogické 'dlouhá paměť = ztráta tlumení'. Ale není to důkaz kosmologické MCN4 — je to biologická analogie.
- E+m=I hypotéza (project_emi_hypothesis) — spektrální posun = re-distribuce mezi energetickým a informačním (strukturálním) pohledem. Konzistentní, ale zde jen ilustrativní.

Poznámka k v1 a v2:
Tyto verze scrollu tvrdily dvě osy (A sdílená, B opačná), 26 % v cancer zóně, a model řešící paradox inverzní komorbidity. Retrahujeme to. Důvody: per-sample analýza vyvrátila opačnost osy B (cosine +0.86), bootstrap odhalil chybu 26 % (reálně 3.3 %), per-type cosine nekoreluje s inverzní komorbiditou. Ponechat publikovanou v2 by bylo mystifikací.

Scope of this study — and what's NOT in it

Before anything — claiming something about 'MS and cancer' is irresponsible without listing which specific cancers we measured and which we didn't. Our analysis covers:

Studied (11 types, 612 DISEASE samples):
- Liver: hepatocellular carcinoma (HCC, GSE14520)
- Kidney: clear cell renal cell carcinoma (ccRCC, GSE53757)
- Lung: lung adenocarcinoma (GSE68465), non-smoking female lung cancer (GSE19804)
- Colon: colorectal cancer (GSE44076)
- Breast: breast cancer (GSE42568)
- Brain: glioma (GSE4290)
- Pancreas: pancreatic cancer (GSE28735, GSE15471)
- Skin: melanoma (GSE15605, GSE3189)
- Esophagus: esophageal cancer (GSE26886)
- Prostate: prostate cancer (GSE46602)

NOT studied (none of our conclusions apply):
- Hematological malignancies: leukemias (AML, CLL, ALL), lymphomas, multiple myeloma
- Sarcomas (bone, soft tissue)
- Urogenital beyond prostate (testicular, bladder)
- Gynecological beyond breast (ovarian, uterine, cervical)
- Rare tumors (neuroendocrine, mesothelioma, thymoma)

MS side (9 studies, 452 samples): GSE17048, GSE41848, GSE41849, GSE23832, GSE21942, GSE13732, GSE43591, GSE78244, GSE41890, GSE20189, GSE146383 — mostly whole blood transcriptome, both RRMS and PPMS phenotypes.

When we write 'MS and cancer', we mean exactly this combination. We are NOT claiming anything about a CLL patient. NOTHING about sarcoma. NOTHING about glioblastoma (GBM is not the same as the glioma set in GSE4290). Generalization is treacherous and we refuse it here. Epidemiological studies of inverse comorbidity (Catalá-López 2014) cover a much wider spectrum; we can only partially address them.

What we thought and what we found

Original claims (v1 + v2):
- Two axes of dysregulation: A shared (loss of damping), B opposite (energy redistribution)
- 26% of MS samples sit spectrally 'in the cancer zone'
- Model resolves the 12-year inverse comorbidity paradox
- Clinical implication: stratifying MS patients by secondary malignancy risk

This sounded strong — and that's why we published. But a reviewer (after reading v2) noted that the feature-to-axis assignment was unclear and that the 26% claim needed a bootstrap CI. We ran PCA + bootstrap on all available datasets.

What PCA showed:

PC1 (51% variance) ≈ band distribution (low vs. mid) — strongly associated with our 'axis B' (|cos| = 0.81)
PC2 (14%) ≈ hurst + chaos combination — partially 'axis A' (|cos| = 0.25)
PC3 (13%) ≈ more strongly 'axis A' (|cos| = 0.73)

But critical: PC1 center of MS (+0.16) lies BETWEEN healthy (+0.46) and cancer (−0.67). MS is not 'left of CTRL' and cancer 'right'. Both are on the same side of CTRL; cancer goes further.

What bootstrap showed:

26% → actually 3.3% (CI 1.8–5.3%) of MS samples exceed cancer 90th percentile on axis A
Per-sample cosine of MS fingerprint vs. cancer fingerprint: +0.86 (CI 0.69–0.96) — strongly aligned, not opposite
All features (low, mid, peak_ratio, hurst, acf_decay, chaos) shift in the same direction in both MS and cancer per-sample

The v1/v2 oppositeness was an artifact: the per-run delta (computing mean(DISEASE) − mean(CTRL) separately for each study, then averaging across studies) gives a different result than per-sample pooling. Small MS studies with heterogeneous CTRL could produce per-run 'opposite' signs on low/mid bands, while per-sample data shows that an individual MS patient shifts in the same direction as an individual cancer patient.

Per-cancer-type cosine with MS — counter-intuitive

The per-type data surprised us most:

Cancer type	n	cos with MS	MS epidemiology
Prostate	36	+0.82	reduced (inverse)
Melanoma	103	+0.82	—
Colorectal	98	+0.80	—
Pancreatic	84	+0.78	reduced (inverse)
Breast	104	+0.40	elevated (direct)
Glioma	157	+0.18	elevated (direct)
Esophageal	30	−0.35	—

If our spectral model explained inverse comorbidity, we'd expect pancreatic and prostate (reduced risk in MS) to have negative cosine with MS. Instead they have strongly positive (+0.78 and +0.82). And breast and brain (elevated risk in MS) have weaker cosines (+0.40, +0.18) — opposite of expectation.

Conclusion: our spectral signal does NOT correlate with direct/inverse comorbidity. V2 claimed it did. That was incorrect. Inverse comorbidity is a real epidemiological phenomenon; our model cannot reproduce it. A different signal is needed — likely specific genes in pathways shared between CNS and tumors, which Ibáñez 2014 identified. Spectral harmonic analysis doesn't see them.

What remains: a shared dysregulation trajectory

After we retract v2 claims, a weaker but honest and testable claim remains:

MS and cancer are a single dysregulation trajectory. Cancer goes further along it.

In the 8D spectral space:
- Healthy CTRL cluster has some center
- MS samples shift by a small vector from CTRL
- Cancer samples shift by a similar but longer vector
- Direction is strongly consistent (MS vs. cancer cosine = +0.86)

Three specific signatures that hold:

Feature	MS μ	Cancer μ	Direction
hurst	+0.13	+0.30	both ↑
acf_decay	+0.18	+0.89	both ↑
chaos	−0.18	−0.78	both ↓
basy_pct	+0.10	+0.42	both ↑
peak_ratio	+0.10	+0.61	both ↑

This is consistent with the loss-of-damping hypothesis: a dysregulated system has longer memory (hurst), stronger autocorrelation (acf), lower stochastic noise (chaos), stronger low-frequency components. Cancer has all these shifts 2–5× stronger than MS.

What it does NOT match: a simple symmetry between autoimmunity and cancer. Both are dysregulations, but inverse comorbidity is driven by something our spectra don't capture.

MS → cancer sequence — weaker, but consistent interpretation

Epidemiology reports many MS patients later develop cancer. How does the revised model explain this?

Not as 'jump between opposite poles'. As continuation along the same trajectory. An MS patient is already shifted along the trajectory (direction of damping loss). If the trajectory continues (chronic inflammation, DMT therapy, aging), they reach values typical of cancer — which clinically manifests as malignancy.

This is a much more modest claim than 'the seesaw breaks'. It's not a model or a mechanism — it's closer to a statistical observation that a single axis of dysregulation exists, and both diseases sit on it.

What you CANNOT derive:
- That a specific MS patient will develop cancer (our signal predicts weakly: 3.3% vs 10% baseline = ~1/3 ratio, far from causal)
- That DMT therapy accelerates the shift along the trajectory (we lack longitudinal data)
- That the type of subsequent cancer can be predicted (per-type cosines are not monotonic with risk)

What you CAN say:
- The MS spectral signature is a 'mild version' of the cancer signature — can be detected with the same pipeline (consistent with scroll L2-045, where 4 brain diagnoses also shared a signature)
- Both states share damping loss, a testable biophysical hypothesis in cell models
- Predicting malignancy from MS transcriptome is testable in a longitudinal study — but expecting a small effect, not strong predictivity

A methodological lesson

What this retraction taught:

1. Per-run averaging can flip the sign of per-sample distribution. A small study with heterogeneous controls can produce per-run delta in the opposite direction from per-sample pooling. A paper must state explicitly which method is used and why.

2. A priori feature-to-axis assignment requires a PCA sanity check. Without it, it's ad hoc grouping. The v2 scroll defined axes intuitively, and PCA showed that axis B does match PC1, but axis A is only PC3 (13% variance).

3. Bootstrap CI is mandatory for every percentile claim. 26% without CI sounds convincing; 26% with CI would have to be offered as '20–32%'. When actually computed, we get 3.3% with CI 1.8–5.3%. An 8× difference.

4. Similarity to literature does not validate the model. Ibáñez 2014 found opposite gene regulation in CNS disorders and cancers — but on different features from ours (spectral). The mere existence of some opposition in literature does not mean our data measures it.

5. Honest retraction > public mystification. The v2 was pretty but wrong for a short time. Retracting it and publishing v3 with smaller claims is the right choice, rather than leaving strong claims public and hoping no one notices.

What remains testable

After pruning hypotheses, three remain that actually have data behind them:

Hypothesis 1 — loss of damping is shared:
- MS and cancer shift hurst UP, acf_decay UP, chaos DOWN
- Cancer 2–5× stronger than MS
- Test: in cell models of inflammation induction → measure spectral entropy and hurst over time. Prediction: both shift monotonically over time; applying apoptotic damping (ceramide, Bax activator) returns them

Hypothesis 2 — MS spectral signature is a mild version of the cancer signature:
- Per-sample cosine MS vs. cancer = +0.86
- Test: train a classifier on cancer vs. CTRL, apply to MS — it should produce 'soft cancer' predictions (not CTRL, but substantially weaker than full cancer signal)

Hypothesis 3 — inverse comorbidity is NOT explainable by our method:
- Per-type cosine with MS is not correlated with direct/inverse epidemiology
- Test: combine our spectral features with gene-set signatures (Ibáñez overlap) in a multi-parametric model — find what combination reproduces inverse comorbidity. If yes, our signal is complementary, not sufficient.

What is NOT testable via our approach:
- Stratifying MS patients by secondary malignancy risk — needs a longitudinal cohort with follow-up, and even then the expected effect is small
- Mechanistic explanation of the inverse comorbidity paradox — needs multi-omics, not spectral dynamics

Sources and connection to the literature

Inverse comorbidity (literature we CANNOT explain with our method):
- Tabarés-Seisdedos R, Valderas JM (2013). *Inverse comorbidity: the power of paradox*. J Comorbidity. [PMC5636022](https://pmc.ncbi.nlm.nih.gov/articles/PMC5636022/)
- Catalá-López F et al. (2014). *Inverse and direct cancer comorbidity in CNS disorders*. [PubMed 24458030](https://pubmed.ncbi.nlm.nih.gov/24458030/)
- Ibáñez K et al. (2014). *Molecular Evidence for Inverse Comorbidity via Transcriptomic Meta-analyses*. PLoS Genetics. [PMC3930576](https://pmc.ncbi.nlm.nih.gov/articles/PMC3930576/) — molecular signal complementary (not duplicating) our spectral analysis

MS vs. cancer epidemiology:
- Grytten N et al. (2021). [PubMed 34419754](https://pubmed.ncbi.nlm.nih.gov/34419754/) — IRR 1.11 (1953-1995) vs. 1.38 (1996-2017)
- Cancer Risk Among MS Patients — 10-Year French Cohort (2024). [PubMed 39383482](https://pubmed.ncbi.nlm.nih.gov/39383482/)
- Hajiebrahimi M et al. (2022). [PubMed 34936169](https://pubmed.ncbi.nlm.nih.gov/34936169/)

Autoimmunity and cancer (general framing, not proof of our claims):
- Melamed E, Lee MW (2019). Frontiers Immunol. [10.3389/fimmu.2019.02954](https://www.frontiersin.org/journals/immunology/articles/10.3389/fimmu.2019.02954/full)
- Barone I et al. (2022). [10.3389/fimmu.2022.821598](https://www.frontiersin.org/journals/immunology/articles/10.3389/fimmu.2022.821598/full)

Our data and related scrolls:
- scroll L1-021 — five diseases, ten fingerprints (original per-disease fingerprint, BEFORE the correction in this scroll)
- scroll L2-044 — MK4 CTRL sanitization, field cancerization
- scroll L2-045 — MK4 on EEG, cosine similarity across 4 brain diagnoses
- MK4 engine: vault/api/mk4_db.py, src/modules/mk4/{parsers,features,stats}.py
- MS GEO datasets (11 studies, 452 samples): GSE17048, GSE41848, GSE41849, GSE23832, GSE21942, GSE13732, GSE43591, GSE78244, GSE41890, GSE20189, GSE146383
- Cancer GEO datasets (11 types, 612 samples): GSE14520, GSE19804, GSE53757, GSE68465, GSE44076, GSE42568, GSE4290, GSE28735, GSE15471, GSE15605, GSE3189, GSE26886, GSE46602

Connection to AD framework (conservatively):
- MCN4 memory layer (project_mcn_6layer) — our observation (hurst UP, acf UP in dysregulation) is analogous to 'long memory = loss of damping'. But this is not proof of cosmological MCN4 — it's a biological analogy.
- E+m=I hypothesis (project_emi_hypothesis) — spectral shift = redistribution between energetic and informational (structural) views. Consistent, but illustrative only.

Note on v1 and v2:
These scroll versions claimed two axes (A shared, B opposite), 26% in cancer zone, and a model resolving the inverse comorbidity paradox. We retract those. Reasons: per-sample analysis refuted axis B oppositeness (cosine +0.86), bootstrap exposed the 26% error (actually 3.3%), per-type cosine does not correlate with inverse comorbidity. Leaving v2 published would be misleading.

multiple-sclerosiscancerPCAbootstrapdysregulationcomorbidity