Improved diagnostic yield of neuromuscular disorders applying clinical exome sequencing in patients arising from a consanguineous population
Notice bibliographique
Résumé
Neuromuscular diseases (NMDs) include a broad range of disorders affecting muscles, nerves and neuromuscular junctions. Their overlapping phenotypes and heterogeneous genetic nature have created challenges in diagnosis which calls for the implementation of massive parallel sequencing as a candidate strategy to increase the diagnostic yield. In this study, total of 45 patients, mostly offspring of consanguineous marriages were examined using whole exome sequencing. Data analysis was performed to identify the most probable pathogenic rare variants in known NMD genes which led to identification of causal variants for 33 out of 45 patients (73.3%) in the following known genes: CAPN3, Col6A1, Col6A3, DMD, DYSF, FHL1, GJB1, ISPD, LAMA2, LMNA, PLEC1, RYR1, SGCA, SGCB, SYNE1, TNNT1 and 22 novel pathogenic variants were detected. Today, the advantage of whole exome sequencing in clinical diagnostic strategies of heterogeneous disorders is clear. In this cohort, a diagnostic yield of 73.3% was achieved which is quite high compared to the overall reported diagnostic yield of 25% to 50%. This could be explained by the consanguineous background of these patients and is another strong advantage of offering clinical exome sequencing in diagnostic laboratories, especially in populations with high rate of consanguinity.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».