Development of a NanoString assay to detect leukemogenic fusion transcripts in acute myeloid leukemia
Notice bibliographique
Résumé
INTRODUCTION: Detection of leukemogenic fusion transcripts in acute myeloid leukemia (AML) is critical for AML diagnosis. NanoString nCounter system is a novel probe-based gene expression platform capable of measuring up to 800 targets with advantages of reproducibility, accuracy, and sample type flexibility. To study the potential application of NanoString in leukemia at clinic, we used this technology to detect AML leukemogenic fusion transcripts and compared the performances with clinical molecular assays. METHODS: We developed a NanoString assay to detect seven leukemogenic fusion transcripts, namely RUNX1-RUNX1T1 (e5e12), PML-RARA (bcr1, bcr2, and bcr3), and CBFB-MYH11 (e5e12, e5e8, and e5e7). We set up the cut-off value for each fusion transcript and tested 42 de novo AML samples. We compared the results with reverse transcriptase-polymerase chain reaction (RT-PCR) and TaqMan reverse quantitative-polymerase chain reaction (RQ-PCR), the molecular methods standardly used at clinic. RESULTS: We demonstrated that the NanoString and RT-PCR results correlate well (P < 0.0001) and are highly concordant (95.2%). Using TaqMan RQ-PCR as a validation method and gold standard, we demonstrated superior accuracy and sensitivity of NanoString compared to RT-PCR and comparable specificity. Furthermore, we showed that NanoString is not as sensitive as TaqMan RQ-PCR in detecting very low level of fusion transcripts. CONCLUSIONS: NanoString can serve as a reliable and alternative molecular method to multiplexed RT-PCR for diagnosis of de novo AML with the perspective of screening/quantitation of a large number of leukemogenic fusion transcripts and prognostic genes. However, NanoString may not be an alternative method for monitoring minimal residual disease in AML.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».