A comparison of Direct sequencing, Pyrosequencing, High resolution melting analysis, TheraScreen DxS, and the K-ras StripAssay for detecting KRAS mutations in non small cell lung carcinomas
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: It is mandatory to confirm the absence of mutations in the KRAS gene before treating metastatic colorectal cancers with epidermal growth factor receptor inhibitors, and similar regulations are being considered for non-small cell lung carcinomas (NSCLC) and other tumor types. Routine diagnosis of KRAS mutations in NSCLC is challenging because of compromised quantity and quality of biological material. Although there are several methods available for detecting mutations in KRAS, there is little comparative data regarding their analytical performance, economic merits, and workflow parameters. METHODS: We compared the specificity, sensitivity, cost, and working time of five methods using 131 frozen NSCLC tissue samples. We extracted genomic DNA from the samples and compared the performance of Sanger cycle sequencing, Pyrosequencing, High-resolution melting analysis (HRM), and the Conformité Européenne (CE)-marked TheraScreen DxS and K-ras StripAssay kits. RESULTS AND CONCLUSIONS: Our results demonstrate that TheraScreen DxS and the StripAssay, in that order, were most effective at diagnosing mutations in KRAS. However, there were still unsatisfactory disagreements between them for 6.1% of all samples tested. Despite this, our findings are likely to assist molecular biologists in making rational decisions when selecting a reliable, efficient, and cost-effective method for detecting KRAS mutations in heterogeneous clinical tumor samples.
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.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 découle