Locus-specific databases and recommendations to strengthen their contribution to the classification of variants in cancer susceptibility genes
Notice bibliographique
Résumé
Locus-specific databases (LSDBs) are curated collections of sequence variants in genes associated with disease. LSDBs of cancer-related genes often serve as a critical resource to researchers, diagnostic laboratories, clinicians, and others in the cancer genetics community. LSDBs are poised to play an important role in disseminating clinical classification of variants. The IARC Working Group on Unclassified Genetic Variants has proposed a new system of five classes of variants in cancer susceptibility genes. However, standards are lacking for reporting and analyzing the multiple data types that assist in classifying variants. By adhering to standards of transparency and consistency in the curation and annotation of data, LSDBs can be critical for organizing our understanding of how genetic variation relates to disease. In this article we discuss how LSDBs can accomplish these goals, using existing databases for BRCA1, BRCA2, MSH2, MLH1, TP53, and CDKN2A to illustrate the progress and remaining challenges in this field. We recommend that: 1) LSDBs should only report a conclusion related to pathogenicity if a consensus has been reached by an expert panel. 2) The system used to classify variants should be standardized. The Working Group encourages use of the five class system described in this issue by Plon and colleagues. 3) Evidence that supports a conclusion should be reported in the database, including sources and criteria used for assignment. 4) Variants should only be classified as pathogenic if more than one type of evidence has been considered. 5) All instances of all variants should be recorded.
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 ».