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 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 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».