MétaCan
Menu
← Retour à la cohorte
Enregistrement W2887575612 · doi:10.1158/1538-7445.am2018-425

Abstract 425: Linked Target Capture: Rapid and high-performance NGS target enrichment for clinical sequencing applications

2018· article· en· W2887575612 sur OpenAlexaff
Joel Pel, Wendy W. Y. Choi, Milenko Despotovic, Laura Gelinas, Amy Leung, W. Lloyd Ung, Andre Marziali

Notice bibliographique

RevueCancer Research · 2018
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCancer Genomics and Diagnostics
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésComputational biologyDNA sequencingNanopore sequencingDNAWorkflowHybrid captureComputer scienceBiologyGeneticsCancerDatabase

Résumé

récupéré en direct d'OpenAlex

Abstract With the continued decrease of DNA sequencing costs, targeted next-generation sequencing (NGS) is seeing broad adoption in many research, commercial and clinical settings. However, current target capture methods typically have long, multiday workflows that can limit their clinical utility. In addition, small panels for applications such as liquid biopsy typically have high off-target rates or low uniformity, resulting in an increased cost of sequencing required to reach the desired coverage for variant detection. We have developed a novel library preparation and enrichment method named “Linked Target Capture” that replaces typical multiday "PCR-capture-PCR" workflows with a single, linked "PCR/capture" step. This approach, which uses physically linked capture probes and universal PCR primers, enables users to work from extracted DNA to loaded sequencer in less than a single day with minimal hands-on time. The linked PCR and capture step is cycled multiple times to reduce off-target DNA and increase uniformity, ultimately reducing the cost of sequencing. Additionally, the universal primers and captures probes can be combined to enable detection of DNA fusions with unknown partners. Using this method, we evaluated the ability to detect multiple mutation types from both tissue and cell free DNA, as a function of sequencing usage. Unique Molecular Identifiers (UMIs) were integrated and enabled the detection of variants below 0.1%, represented on both senses of the starting DNA (duplex sequencing). Fusion detection was also demonstrated without a priori knowledge of the fusion partner. Using a 30-gene pan-cancer panel, on-target fraction was measured to be above 95%, and the fraction of the panel covered at greater than 25% of the mean depth was greater than 99%. In summary, we have developed a method that enables rapid and cost-effective detection of clinically relevant cancer variants, such as SNVs and gene fusions. This method holds promise for many NGS areas, including clinical applications requiring rapid and simple workflows, or groups new to NGS where simple workflows and repeatable performance help remove barriers to technology adoption. Citation Format: Joel Pel, Wendy Choi, Milenko Despotovic, Laura Gelinas, Amy Leung, Lloyd Ung, Andre Marziali. Linked Target Capture: Rapid and high-performance NGS target enrichment for clinical sequencing applications [abstract]. In: Proceedings of the American Association for Cancer Research Annual Meeting 2018; 2018 Apr 14-18; Chicago, IL. Philadelphia (PA): AACR; Cancer Res 2018;78(13 Suppl):Abstract nr 425.

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)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,005

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 Opus0,072
Tête enseignante GPT0,404
Écart entre enseignants0,332 · 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'étudeSans objet
Domainenon disponible
GenreAutre

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

En bref

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCancer Research→Même sujetCancer Genomics and Diagnostics→Travaux en français237 207→