Multiplex Detection of Pediatric Low-Grade Glioma Signature Fusion Transcripts and Duplications Using the NanoString nCounter System
Notice bibliographique
Résumé
Previous studies identified recurrent fusion and duplication events in pediatric low-grade glioma (pLGG). In addition to their role in diagnosis, the presence of these events aid in dictating therapy and predicting patient survival. Clinically, BRAF alterations are most commonly identified using fluorescent in situ hybridization (FISH). However, this method is costly, labor-intensive and does not identify nonBRAF events. Here, we evaluated the NanoString nCounter gene expression system for detecting 32 of the most commonly reported fusion/duplication events in pLGG. The assay was validated on 90 pLGG samples using FISH as the gold standard and showed sensitivity and specificity of 97% and 98%, respectively. We next profiled formalin-fixed paraffin-embedded preserved biopsy specimens from 429 pLGG cases. 171 (40%) of the cases within our cohort tested positive for a fusion or duplication event contained within our panel. These events, in order of prevalence, were KIAA1549-BRAF 16;9 (89/171, 52.0%), KIAA1549-BRAF 15;9 (42/171, 24.6%), KIAA1549-BRAF 16;11 (14/171, 8.2%), FGFR1-TACC1 17;7 (13/171, 7.6%), MYBL1 duplication (5/171, 2.9%), KIAA1549-BRAF 18;10 (4/171, 2.3%), KIAA1549-BRAF 15;11 (2/171, 1.2%), FAM131B-BRAF 2;9 (1/171, 0.6%), and RNF130-BRAF 3;9 (1/171, 0.6%). This work introduces NanoString as a viable clinical replacement for the detection of fusion and duplication events in pLGG.
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 ».