Clinical applications of next-generation sequencing in histocompatibility and transplantation
Notice bibliographique
Résumé
PURPOSE OF REVIEW: Next-generation sequencing (NGS) can overcome traditional methodological barriers to facilitate detailed studies of large genomes. Here, we summarize recent NGS-based developments in histocompatibility and transplantation, and highlight the dynamic range of clinical applications achievable on this platform. RECENT FINDINGS: Multiple NGS-based protocols have been established to achieve unambiguous human leukocyte antigen genotyping. These methods are presently engaged to serve the high-throughput demand of large bone marrow registries; however, the scalable nature of NGS makes it an equally attractive technology for select applications within solid organ transplantation. Recently, the exquisite sensitivity of NGS has been leveraged to perform noninvasive allograft monitoring by tracking the dynamics of donor-derived cell-free DNA. Further, NGS-based T-cell receptor and immunoglobulin heavy chain repertoire profiling appear to be useful in clarifying disease-specific diagnoses in certain complex allograft pathology; detecting/quantifying minimal residual disease following allogeneic stem cell transplantation; and tracking donor-reactive T cells to understand the mechanism of tolerance in kidney transplant recipients. SUMMARY: NGS is superior to classical Sanger sequencing in its throughput, sensitivity, and the ability to provide phase-defined sequence data. These unique properties allow its broad application to diverse areas in clinical transplantation.
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) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 ».