Whole‐slide laser microdissection for tumour enrichment
Notice bibliographique
Résumé
The practical application of genome-scale technologies to precision oncology research requires flexible tissue processing strategies that can be used to differentially select both tumour and normal cell populations from formalin-fixed, paraffin-embedded tissues. As tumour sequencing scales towards clinical implementation, practical difficulties in scheduling and obtaining fresh tissue biopsies at scale, including blood samples as surrogates for matched 'normal' DNA, have focused attention on the use of formalin-preserved clinical samples collected routinely for diagnostic purposes. In practice, such samples often contain both tumour and normal cells which, if correctly partitioned, could be used to profile both tumour and normal genomes, thus identifying somatic alterations. Here we report a semi-automated method for laser microdissecting entire slide-mounted tissue sections to enrich for cells of interest with sufficient yield for whole genome and transcriptome sequencing. Using this method, we demonstrated enrichment of tumour material from mixed tumour-normal samples by up to 67%. Leveraging new methods that allow for the extraction of high-quality nucleic acids from small amounts of formalin-fixed tissues, we further showed that the method was successful in yielding sequence data of sufficient quality for use in BC Cancer's Personalized OncoGenomics (POG) program. © 2020 The Pathological Society of Great Britain and Ireland. Published by John Wiley & Sons, Ltd.
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 | 0,000 |
| 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 ».