Insights into Autosomal Dominant Polycystic Kidney Disease from Genetic Studies
Notice bibliographique
Résumé
Autosomal dominant polycystic kidney disease is the most common monogenic cause of ESKD. Genetic studies from patients and animal models have informed disease pathobiology and strongly support a “threshold model” in which cyst formation is triggered by reduced functional polycystin dosage below a critical threshold within individual tubular epithelial cells due to ( 1 ) germline and somatic PKD1 and/or PKD2 mutations, ( 2 ) mutations of genes ( e.g. , SEC63 , SEC61B , GANAB , PRKCSH , DNAJB11 , ALG8 , and ALG9 ) in the endoplasmic reticulum protein biosynthetic pathway, or ( 3 ) somatic mosaicism. Genetic testing has the potential to provide diagnostic and prognostic information in cystic kidney disease. However, mutation screening of PKD1 is challenging due to its large size and complexity, making it both costly and labor intensive. Moreover, conventional Sanger sequencing–based genetic testing is currently limited in elucidating the causes of atypical polycystic kidney disease, such as within-family disease discordance, atypical kidney imaging patterns, and discordant disease severity between total kidney volume and rate of eGFR decline. In addition, environmental factors, genetic modifiers, and somatic mosaicism also contribute to disease variability, further limiting prognostication by mutation class in individual patients. Recent innovations in next-generation sequencing are poised to transform and extend molecular diagnostics at reasonable costs. By comprehensive screening of multiple cystic disease and modifier genes, targeted gene panel, whole-exome, or whole-genome sequencing is expected to improve both diagnostic and prognostic accuracy to advance personalized medicine in autosomal dominant polycystic kidney disease.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».