RNA sequencing as an alternative tool for detecting measurable residual disease in core-binding factor acute myeloid leukemia
Notice bibliographique
Résumé
Abstract DNA sequencing-based measurable residual disease (MRD) detection has shown to be clinically relevant in AML. However, the same methodology cannot be applied to fusion gene-driven subtypes of AML such as core-binding factor AML (CBF-AML). Here in this study, we evaluated the effectiveness of using DNA and RNA sequencing in MRD detection and in tracking clonal dynamics in CBF-AML. Using RNA-seq, we were able to quantify expression levels of RUNX1-RUNX1T1 and CBFB-MYH11 at diagnosis and their levels of reduction during remission (P < 6.3e−05 and P < 2.2e−13). The level of reduction of RUNX1-RUNX1T1 as measured by RNA-seq and qPCR were highly correlated (R2 = 0.74, P < 5.4e−05). A decision tree analysis, based on 3-log reduction of RUNX1-RUNX1T1 and cKIT-D816mut at diagnosis, stratified RUNX1-RUNX1T1 AML patients into three subgroups. These three subgroups had 2-year overall survival rates at 87%, 74%, and 33% (P < 0.08) and 2-year relapse incidence rates at 13%, 42%, and 67% (P < 0.05). On the other hand, although low residual allelic burden was common, it was not associated with long-term outcome, indicating that mutation clearance alone cannot be interpreted as MRD-negative. Overall, our study demonstrates that the clinical utility of RNA sequencing as a potential tool for MRD monitoring in fusion gene-driven AML such as RUNX1-RUNX1T1 AML.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,001 | 0,001 |
| 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 ».