Using ddPCR to assess the DNA yield of FFPE samples
Notice bibliographique
Résumé
OBJECTIVES: Detection of genomic alterations in diseases can be achieved with current molecular technologies. However, the molecules extracted from formalin-fixed, paraffin-embedded (FFPE) bio-samples are often limited possibly due to DNA fragmentation and crosslinking caused by the sample fixation and processing. The study objective was to design a droplet digital PCR (ddPCR) assay to assess the quality and quantity of DNA derived from various DNA extraction conditions on FFPE samples. METHODS: We used 10 μm-thick sections from 5 FFPE oral tumoral blocks, each consisting of 10-15 sections. The protocol variables tested included: 1) tissue staining; 2) duration and 3) temperature of post-digestion heat treatment; and 4) DNA extraction method. DNA quantity was assessed using the NanoDrop 2000 (Thermo Fisher Scientific, USA), the Qubit fluorometer (Thermo Fisher Scientific, USA), and a ddPCR-based assay. DNA quality was assessed using a ddPCR assay for the degree of fragmentation and the effectiveness of removing crosslinks with varying guanine-cytosine (GC)-content. RESULTS: Deparaffinization with xylene helped to increase the DNA yield. Tissue staining (methyl green staining, pH 6) prior to microdissection, comparing to no staining, caused additional DNA fragmentation. Compared to column-based method, DNA extracted with phenol chloroform and ethanol precipitation increased the degree of fragmentation and lowered the yield of amplifiable DNA. The cross-linking derived from GC-contents may not be the only factor impacting on the DNA quality. CONCLUSIONS: Samples undergoing different pre-treatment conditions prior to extraction can impact the yield of amplifiable DNA. Our ddPCR assay can be used to assess for both DNA quantity and quality.
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 ».