MétaCan
Menu
Retour à la cohorte
Enregistrement W2733300197 · doi:10.14740/jocmr2894w

Splice Site Variants in the <i>KCNQ1</i> and <i>SCN5A</i> Genes: Transcript Analysis as a Tool in Supporting Pathogenicity

2017· article· en· W2733300197 sur OpenAlexvenueno aff
Ivone Leong, Philippa Dryland, Debra O. Prosser, Stella W.S. Lai, M. Graham, Martin K. Stiles, Jackie Crawford, Jonathan R. Skinner, Donald R. Love

Notice bibliographique

RevueJournal of Clinical Medicine Research · 2017
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueGenomics and Rare Diseases
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésRNA splicingspliceGeneticsExonGeneSplice site mutationBiologyAlternative splicingPhenotypeContext (archaeology)MutationGenotypeExon skippingGenotype-phenotype distinctionRNA

Résumé

récupéré en direct d'OpenAlex

Background: Approximately 75% of clinically definite long QT syndrome (LQTS) cases are caused by mutations in the KCNQ1 , KCNH2 and SCN5A genes. Of these mutations, a small proportion (3.2-9.2%) are predicted to affect splicing. These mutations present a particular challenge in ascribing pathogenicity. Methods: Here we report an analysis of the transcriptional consequences of two mutations, one in the KCNQ1 gene (c.781_782delinsTC) and one in the SCN5A gene (c.2437-5C>A), which are predicted to affect splicing. We isolated RNA from lymphocytes and used a directed PCR amplification strategy of cDNA to show mis-spliced transcripts in mutation-positive patients. Results: The loss of an exon in each mis-spliced transcript had no deduced effect on the translational reading frame. The clinical phenotype corresponded closely with genotypic status in family members carrying the KCNQ1 splice variant, but not in family members with the SCN5A splice variant. These results are put in the context of a literature review, where only 20% of all splice variants reported in the KCNQ1 , KCNH2 and SCN5A gene entries in the HGMDPro 2015.4 database have been evaluated using transcriptional assays. Conclusions: Prediction programmes play a strong role in most diagnostic laboratories in classifying variants located at splice sites; however, transcriptional analysis should be considered critical to confirm mis-splicing. Critically, this study shows that genuine mis- splicing may not always imply clinical significance, and genotype/phenotype cosegregation remains important even when mis-splicing is confirmed. J Clin Med Res. 2017;9(8):709-718 doi: https://doi.org/10.14740/jocmr2894w

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,108
Tête enseignante GPT0,497
Écart entre enseignants0,389 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical Medicine ResearchMême sujetGenomics and Rare DiseasesTravaux en français237 207