Design, Optimization, and Multisite Evaluation of a Targeted Next-Generation Sequencing Assay System for Chimeric RNAs from Gene Fusions and Exon-Skipping Events in Non–Small Cell Lung Cancer
Notice bibliographique
Résumé
Lung cancer accounts for approximately 14% of all newly diagnosed cancers and is the leading cause of cancer-related deaths. Chimeric RNA resulting from gene fusions (RNA fusions) and other RNA splicing errors are driver events and clinically addressable targets for non-small cell lung cancer (NSCLC). The reliable assessment of these RNA markers by next-generation sequencing requires integrated reagents, protocols, and interpretive software that can harmonize procedures and ensure consistent results across laboratories. We describe the development and verification of a system for targeted RNA sequencing for the analysis of challenging, low-input solid tumor biopsies that includes reagents for nucleic acid quantification and library preparation, run controls, and companion bioinformatics software. Assay development reconciled sequence discrepancies in public databases, created predictive formalin-fixed, paraffin-embedded RNA qualification metrics, and eliminated read misidentification attributable to index hopping events on the next-generation sequencing flow cell. The optimized and standardized system was analytically verified internally and in a multiphase study conducted at five independent laboratories. The results show accurate, reproducible, and sensitive detection of RNA fusions, alternative splicing events, and other expression markers of NSCLC. This comprehensive approach, combining sample quantification, quality control, library preparation, and interpretive bioinformatics software, may accelerate the routine implementation of targeted RNA sequencing of formalin-fixed, paraffin-embedded samples relevant to NSCLC.
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 | 0,001 | 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 ».