A Simple Variable Number of Tandem Repeat-Based Genotyping Strategy for the Detection of Handling Errors and Validation of Sample Identity in Biobanks
Notice bibliographique
Résumé
Biobanking biological samples involve multiple handling, processing, and labeling steps. Each step may be a source of error, which if unnoticed or uncorrected may have consequences for research. We aimed to develop a simple and inexpensive genotyping method that would be valuable to detect such errors and confirm sample identity. For this purpose, seven variable number of tandem repeat (VNTR) loci were selected, analyzed by polymerase chain reaction (PCR) amplification, and organized in a PCR-based DNA profiling algorithm that proved useful to minimize the number of steps required for the procedure. Match probability calculations suggest that this method/algorithm has the potential to discriminate every participant of a biobank. As a proof of concept, the algorithm was applied on samples taken from the PROCURE Prostate Cancer Biobank. It was applied on 403 DNA samples from 101 randomly chosen patients who provided prostate tissues at surgery and blood at two to three different time points over a period of up to 7 years. A unique DNA profile requiring the analysis of no more than four VNTR loci (D16S83, D17S5, D1S80, D19S20) was successfully obtained for each of the 101 cases studied and led to the identification of two mismatches among the 403 samples evaluated (0.5% error rate). Further investigations using the same genotyping method revealed that one of the errors was due to tissue mishandling and that the other was due to tissue mislabeling. These errors, typical to the complex biobanking process, highlight the importance to implement a routine genotyping method as part of quality assurance in biobanking.
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 | 0,000 | 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 ».