<i>CYP1B1</i>and<i>MYOC</i>variants in neonatal-onset versus infantile-onset primary congenital glaucoma
Notice bibliographique
Résumé
Objective To compare CYP1B1 and MYOC variants in a cohort of neonatal-onset (NO) and infantile-onset (IO) primary congenital glaucoma (PCG). Methods This prospective observational study included 43 infants with PCG (14 NO and 29 IO) presenting between January 2017 and January 2019 with a minimum 1-year follow-up. CYP1B1 and MYOC genes were screened using Sanger sequencing with in-silico analysis of the variants using Polymorphism Phenotyping v.2 and Protein Variation Effect Analyser platforms. Allelic frequency was estimated using Genome Aggregation Database (gnomAd). Disease presentation and outcome were correlated to the genetic variants in both groups. Results Babies with CYP1B1 mutations had more severe disease at presentation and worse outcomes. Six of 14 (42.8%) NO glaucoma and 5 of 29 (17.2%) IO harboured CYP1B1 mutations. Five of six babies in the NO group and three of five in the IO group harboured the variant c.1169G>A, [p.R390H]. They required more surgeries and had a poorer outcome. On in-silico analysis c.1169G>A, [p.R390H] scored very likely pathogenic. Two patients in the IO group who had the c.1294C>G, [p.L432V] variant had a good outcome. Five of 14 NO-PCG and 8 of 29 IO-PCG harboured the variant c.227G>A, [p.R76K] in the MYOC gene, which was scored benign by in-silico analysis, and was also found in 2 of 15 normal controls. Conclusions Patients with CYP1B1 pathogenic variants had a poorer outcome than those without. We found more NO PCG babies with CYP1B1 mutations compared with IO PCG. This may be one of the reasons for NO PCG having a poorer prognosis compared with IO PCG.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».