MétaCan
Menu
← Retour à la cohorte
Enregistrement W2907933864 · doi:10.1182/blood-2018-99-112906

Residual Allelic Burden Measured By Next-Generation Sequencing (NGS) at Remission Provides Limited Prognostic Value to Predict Relapse and Long-Term Outcome in Core Binding Factor Acute Myeloid Leukemia (CBF-AML)

2018· article· en· W2907933864 sur OpenAlexaff
Tae-Hyung Kim, Joon Ho Moon, Jae-Sook Ahn, Marc S. Tyndel, Seung-Shin Lee, Seo-Yeon Ahn, Sung‐Hoon Jung, Deok‐Hwan Yang, Je‐Jung Lee, Seung-Hyun Choi, Ja-Yeon Lee, Yoojin Lee, Sang Kyun Sohn, Hyeoung‐Joon Kim, Zhaolei Zhang, Dennis Dong Hwan Kim

Notice bibliographique

RevueBlood · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueAcute Myeloid Leukemia Research
Établissements canadiensPrincess Margaret Cancer CentreUniversity Health NetworkUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésNeuroblastoma RAS viral oncogene homologMinimal residual diseaseKRASOncologyInternal medicineMedicineMyeloid leukemiaCore binding factorLeukemiaCancerGeneBiologyGenetics

Résumé

récupéré en direct d'OpenAlex

Abstract Introduction NGS-based detection of minimal residual disease (MRD) has been successfully demonstrated for its correlation with relapse risk in AML. However, in a subtype of AML, CBF-AML, its clinical relevance of residual allelic burden at complete remission (CR) has not been fully explored. The standard MRD detection method in CBF-AML is quantitative PCR (qPCR). In this study, we aimed to explore applicability and feasibility of NGS-based MRD detection in CBF-AML taking various approaches, rather than simply using residual allele burden at CR. Patients and Methods Fifty-three patients (pts) diagnosed with CBF-AML were enrolled in this study (31 pts with RUNX1-RUNX1T1 and 22 pts with CBFB-MYH11). All 53 patients achieved complete remission (CR). We performed targeted deep sequencing on 84 genes in 106 samples collected at diagnosis and at CR as well as T-cell (n = 53, CD3+) fraction as a control using Illumina Hiseq 2500. Mean on-target coverage for 159 sequenced was 1,572x. The level of RUNX1-RUNX1T1 was measured at diagnosis and at CR for 29 patients using qPCR. Results At diagnosis, 99 mutations from 49 pts (n = 49/53, 92%) were detected, where median number of mutations for 49 pts was 2 (range 1-6). Consistent with previous studies, KIT (36%), NRAS (32%), KRAS (17%), ASXL2 (15%) were commonly mutated. Among mutations detected at diagnosis, cKIT-D816 mutation and mutations in genes in DNA methylation pathway (DNMT3A and TET2) were associated with higher risk of relapse (5.29, [1.89 - 14.87], p = 0.002 and 3.15 [1.07 - 9.26], p= 0.037, respectively). In CR samples, 46 mutations from 32 pts were still detectable (46/99, 46%, mean VAF: 0.60%, range 0.04%-6.28%, Fig A). Only 4 mutations from 2 pts were over 2.5% (2 in TET2, 1 in ASXL1, and 1 in U2AF1). When tracing back at diagnosis, allelic burden of 46 mutations detected at remission were higher than 53 cleared mutations (p < 0.002), indicating clonal mutations are more likely to be detected at CR (Fig A). They were mostly in genes associated with activated signaling (32/46, 70%). When considering complete clearance rate, mutations in genes associated with activated signaling, DNA methylation, and spliceosome tended to be persistent at CR (32/64, 4/5, and 1/1), whereas mutations in cohesin complex and chromatin modifiers were mostly completely cleared (0/8 and 4/13). We then assessed clinical relevance of mutation clearance from various perspectives. We did not find association of mutation clearance at 0.3% (MC03) with OS (p = 0.43) or with relapse risk (p = 0.8, Fig B). Complete mutation clearance also did not show significant association with OS and relapse risk. Among 29 pts with RUNX1-RUNX1T1 with available qPCR data, 20 pts were MRD-positive by qPCR at CR. Nine pts who achieved MRD-negative also achieved MC03 as well. When considering only MRD-positive pts, achievement of MC03 did not affect OS (p = 0.69) and relapse incidence (p = 0.86, Fig C). Lastly, we assessed whether persistence of high risk mutations at CR (cKIT-D816, DNMT3A, and TET2) is associated with higher risk of relapse, but complete clearance of KIT-D816 mutation also did not affect OS and relapse incidence (p = 0.94 and p = 0.40, respectively, Fig D). We were not able to analyze DNMT3A and TET2 mutations as only 1/5 mutation was cleared. Conclusion Current study demonstrates that low residual allelic burden measured by NGS at CR does not provide additional clinically relevant information in addition to baseline mutation profile nor qPCR-based MRD in CBF-AML Figure. Figure. Disclosures No relevant conflicts of interest to declare.

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)0,000
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: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

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

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.

Tête enseignante Opus0,087
Tête enseignante GPT0,315
Écart entre enseignants0,228 · 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'étudeObservationnel
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

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBlood→Même sujetAcute Myeloid Leukemia Research→Travaux en français237 207→