Novel intronic RHD variants identified in serologically D‐negative blood donors
Notice bibliographique
Résumé
BACKGROUND: Blood group genotyping is used to predict RhD phenotype in transfusion and obstetric medicine. Prediction of antigen D is based on molecular techniques which targets most common RHD-specific polymorphism. However, inactive RHD variants can suggest false-positive RhD phenotype. Their types and frequencies vary among ethnicities. Our study aimed to identify RHD variants among Moroccan blood donors who are serologically D negative. STUDY DESIGN AND METHODS: DNA from 53 blood donors who are serologically D negative RhC and/or RhE positive were screened for RHD exon 10 by PCR-SSP. RHD-positive samples were further tested by multiplex PCR covering exons 3, 4, 5, 6, 7 and 9 and then sequenced by targeted next-generation sequencing method. Mutations' impact on mRNA splicing was predicted using alamut software version 2·0. RESULTS: PCR-SSP revealed 9 of 53 (16·9%) RHD-positive samples. Five of nine samples were positive for all tested exons, two of nine were positive for exon 9, and two of nine were undetermined. Sequencing revealed four novel RHD variants based on six mutations in introns 1, 3, 5 and 6. In silico analysis revealed aberrant splicing of three mutations (RHD c.487-1024delG, RHD c.487-256T>G and RHD c.940-187_940-188del), while three other mutations (RHD c.149-682C>A, RHD c.802-37delA and RHD c.939 + 1151dup) had no effect on splicing compared to wild type. CONCLUSIONS: All identified RHD variants contain at least one mutation that probably affects splicing to generate D-negative phenotype. Hence, ethnic RhD antigen background must be considered when developing transfusion and obstetric strategies.
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 ».