Modeling Niemann–Pick disease type C in a human haploid cell line allows for patient variant characterization and clinical interpretation
Notice bibliographique
Résumé
The accurate clinical interpretation of human sequence variation is foundational to personalized medicine. This remains a pressing challenge, however, as genome sequencing becomes routine and new functionally undefined variants rapidly accumulate. Here, we describe a platform for the rapid generation, characterization, and interpretation of genomic variants in haploid cells focusing on Niemann–Pick disease type C (NPC) as an example. NPC is a fatal neurodegenerative disorder characterized by a lysosomal accumulation of unesterified cholesterol and glycolipids. In 95% of cases, NPC is caused by mutations in the NPC1 gene, for which more than 200 unique disease-causing variants have been reported to date. Furthermore, the majority of patients with NPC are compound heterozygotes that often carry at least one private mutation, presenting a challenge for the characterization and classification of individual variants. Here, we have developed the first haploid cell model of NPC. This haploid cell model recapitulates the primary biochemical and molecular phenotypes typically found in patient-derived fibroblasts, illustrating its utility in modeling NPC. Additionally, we show the power of CRISPR/Cas9-mediated base editing in quickly and efficiently generating haploid cell models of individual patient variants in NPC. These models provide a platform for understanding the disease mechanisms underlying individual NPC1 variants while allowing for definitive clinical variant interpretation for NPC.
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 | 0,002 | 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 ».