Targeted massively parallel sequencing of a panel of putative breast cancer susceptibility genes in a large cohort of multiple-case breast and ovarian cancer families
Notice bibliographique
Résumé
INTRODUCTION: Gene panel testing for breast cancer susceptibility has become relatively cheap and accessible. However, the breast cancer risks associated with mutations in many genes included in these panels are unknown. METHODS: We performed custom-designed targeted sequencing covering the coding exons of 17 known and putative breast cancer susceptibility genes in 660 non-BRCA1/2 women with familial breast cancer. Putative deleterious mutations were genotyped in relevant family members to assess co-segregation of each variant with disease. We used maximum likelihood models to estimate the breast cancer risks associated with mutations in each of the genes. RESULTS: We found 31 putative deleterious mutations in 7 known breast cancer susceptibility genes (TP53, PALB2, ATM, CHEK2, CDH1, PTEN and STK11) in 45 cases, and 22 potential deleterious mutations in 31 cases in 8 other genes (BARD1, BRIP1, MRE11, NBN, RAD50, RAD51C, RAD51D and CDK4). The relevant variants were then genotyped in 558 family members. Assuming a constant relative risk of breast cancer across age groups, only variants in CDH1, CHEK2, PALB2 and TP53 showed evidence of a significantly increased risk of breast cancer, with some supportive evidence that mutations in ATM confer moderate risk. CONCLUSIONS: Panel testing for these breast cancer families provided additional relevant clinical information for <2% of families. We demonstrated that segregation analysis has some potential to help estimate the breast cancer risks associated with mutations in breast cancer susceptibility genes, but very large case-control sequencing studies and/or larger family-based studies will be needed to define the risks more accurately.
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 | 0,001 | 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 ».