Uncovering Clinically Relevant Gene Fusions with Integrated Genomic and Transcriptomic Profiling of Metastatic Cancers
Notice bibliographique
Résumé
Abstract Purpose: Gene fusions are important oncogenic drivers and many are actionable. Whole-genome and transcriptome (WGS and RNA-seq, respectively) sequencing can discover novel clinically relevant fusions. Experimental Design: Using WGS and RNA-seq, we reviewed the prevalence of fusions in a cohort of 570 patients with cancer, and compared prevalence to that predicted with commercially available panels. Fusions were annotated using a consensus variant calling pipeline (MAVIS) and required that a contig of the breakpoint could be constructed and supported from ≥2 structural variant detection approaches. Results: In 570 patients with advanced cancer, MAVIS identified 81 recurrent fusions by WGS and 111 by RNA-seq, of which 18 fusions by WGS and 19 by RNA-seq were noted in at least 3 separate patients. The most common fusions were EML4-ALK in thoracic malignancies (9/69, 13%), and CMTM8-CMTM7 in colorectal cancer (4/73, 5.5%). Combined genomic and transcriptomic analysis identified novel fusion partners for clinically relevant genes, such as NTRK2 (novel partners: SHC3, DAPK1), and NTRK3 (novel partners: POLG, PIBF1). Conclusions: Utilizing WGS/RNA-seq facilitates identification of novel fusions in clinically relevant genes, and detected a greater proportion than commercially available panels are expected to find. A significant benefit of WGS and RNA-seq is the innate ability to retrospectively identify variants that becomes clinically relevant over time, without the need for additional testing, which is not possible with panel-based approaches.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».