Comparison of a Selection of Rapid Automated DNA and RNA Extraction Technologies for Detection of Somatic or Constitutional Gene Abnormalities in Cancer Diagnosis
Notice bibliographique
Résumé
Molecular analyses of large numbers of patient samples are increasingly used for diagnostic applications as well as for understanding cancer biology. Their accuracy depends on the quality and quantity of nucleic acids extracted from human cells or tissues. To optimize these preanalytical steps, we evaluated several automated technologies for nucleic acid purification from clinical samples. Three automated platforms were compared. DNA was extracted from peripheral blood leukocytes from five normal individuals, and its quality was assessed by D-HPLC and sequencing after PCR. Clinical samples from acute leukemia patients were used for automated RNA extractions; results were compared to our standard manual technique. RNA qualification was done using capillary gel electrophoresis and analysis of the Abelson gene transcript by real-time PCR. One robot produced higher total output for both DNA and RNA. While the quality of DNAs obtained from the three workstations allowed implementation of their analysis for detection of germinal mutations, important differences were observed in the quality of RNAs. One robot isolated RNA with similar quality and quantity to the manual technique, but the resulting products displayed low concentrations. A robust technique had therefore to be evaluated and validated to allow the implementation of this workstation within the daily diagnostic practices. This study is of interest at a time when hospital-based laboratories are bringing molecular signatures to the clinic.
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 | 0,000 |
| 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 ».