Evaluation of denaturing high‐performance liquid chromatography as a rapid detection method for identification of epidermal growth factor receptor mutations in nonsmall‐cell lung cancer
Notice bibliographique
Résumé
BACKGROUND: Somatic mutations of the epidermal growth factor receptor (EGFR) gene in nonsmall-cell lung cancer (NSCLC) may predict responsiveness to tyrosine kinase inhibitors. These mutations are commonly identified using DNA sequencing methods. Although considered the gold standard, this approach is time-consuming. In addition, this approach requires large diagnostic specimens and a high ratio of tumor-to-normal-tissue DNA for optimal results. The use of denaturing high-performance liquid chromatography (dHPLC) as a method to screen for the 2 predominant EGFR mutations is reported. METHODS: Clinical specimens from 104 NSCLC patients were analyzed for EGFR mutations in exons 19 and 21. After DNA extraction and polymerase chain reaction (PCR), both direct sequencing and dHPLC were performed and the results were compared. RESULTS: Sequencing revealed a total of 7 mutations: 3 deletion mutations in exon 19 and 4 missense mutations in exon 21. dHPLC showed the presence of genomic alterations in 23 samples, including the 7 identified by sequencing plus 16 additional samples (10 in exon 19 and 1 in exon 21). dHPLC fractions were isolated, reamplified, and sequenced to confirm the results. In serial dilution studies, dHPLC was able to detect mutations in samples containing as little as 1.6% to 6.25% mutated DNA, whereas direct sequencing required at least 30%. CONCLUSIONS: dHPLC is an efficient and more sensitive method for screening for genomic alterations in exons 19 and 21 of the EGFR gene compared with direct sequence analysis. These data suggest that dHPLC should be implemented as a screening tool for detection of EGFR mutations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».