MG-130 Utilising whole exome sequencing to identify causative variants in genetically heterogeneous disorders
Notice bibliographique
Résumé
<h3>Background</h3> The rapid pace of innovation within the era of genomic sequencing has provided unprecedented insights into the genetic basis of human disease. Clinical whole exome sequencing provides a means for clinicians and clinical labs to take advantage of this ongoing expansion of knowledge, to benefit patient care and offer individualised medicine. <h3>Methods/results</h3> We have developed a workflow and customised informatics pipeline suitable for processing large numbers of clinical exomes to achieve a diagnosis for genetically heterogeneous disorders. In order to guide genetic variant interpretation, we have implemented the Phenotips software tool within the hospital to collect detailed phenotype information from physicians, through a web-based interface. We describe our exome variant interpretation algorithm that integrates multiple control and clinical databases, as well as our on-site patient database to achieve a diagnosis. In order to maximise diagnostic yield, our analysis includes variants affecting all genes known to cause genetic disorders, which are prioritised according to phenotypic information provided by the referring physician. In addition, we provide patients the option of reporting secondary findings as described in the ACMG guidelines. <h3>Conclusions</h3> This comprehensive approach provides an effective strategy for identifying causative variants in patients with genetically and phenotypically heterogeneous disorders, who would otherwise remain undiagnosed.
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 | 0,001 |
| 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 | 0,001 | 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 ».