MétaCan
Menu
Retour à la cohorte
Enregistrement W3202416490 · doi:10.1371/journal.pone.0258188

Multisite verification of the accuracy of a multi-gene next generation sequencing panel for detection of mutations and copy number alterations in solid tumours

2021· article· en· W3202416490 sur OpenAlexaffabout
John M.S. Bartlett, Yutaka Amemiya, Heleen H. Arts, Jane Bayani, Barry Eng, Daria Grafodatskaya, Suzanne Kamel Reid, Mathieu Larivière, Bernard Lo, Rebecca F. McClure, Vinay Kumar Mittal, Bekim Sadiković, Seth Sadis, Arun Seth, Jeff Smith, Xiao Zhang, Harriet Feilotter

Notice bibliographique

RevuePLoS ONE · 2021
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCancer Genomics and Diagnostics
Établissements canadiensKingston Health Sciences CentreQueen's UniversityVictoria HospitalUniversity of TorontoWestern UniversityUniversity Health NetworkHealth Sciences CentreOttawa HospitalHamilton Regional Laboratory Medicine ProgramSunnybrook Health Science CentreMcMaster UniversityLondon Health Sciences CentreHealth Sciences NorthHamilton Health SciencesOntario Institute for Cancer Research
Organismes subventionnairesnon disponible
Mots-clésConcordanceCopy-number variationDNA sequencingBiologyComputational biologyDeep sequencingGeneticsGeneGenome

Résumé

récupéré en direct d'OpenAlex

Molecular variants including single nucleotide variants (SNVs), copy number variants (CNVs) and fusions can be detected in the clinical setting using deep targeted sequencing. These assays support low limits of detection using little genomic input material. They are gaining in popularity in clinical laboratories, where sample volumes are limited, and low variant allele fractions may be present. However, data on reproducibility between laboratories is limited. Using a ring study, we evaluated the performance of 7 Ontario laboratories using targeted sequencing panels. All laboratories analysed a series of control and clinical samples for SNVs/CNVs and gene fusions. High concordance was observed across laboratories for measured CNVs and SNVs. Over 97% of SNV calls in clinical samples were detected by all laboratories. Whilst only a single CNV was detected in the clinical samples tested, all laboratories were able to reproducibly report both the variant and copy number. Concordance for information derived from RNA was lower than observed for DNA, due largely to decreased quality metrics associated with the RNA components of the assay, suggesting that the RNA portions of comprehensive NGS assays may be more vulnerable to variations in approach and workflow. Overall the results of this study support the use of the OFA for targeted sequencing for testing of clinical samples and suggest specific internal quality metrics that can be reliable indicators of assay failure. While we believe this evidence can be interpreted to support deep targeted sequencing in general, additional studies should be performed to confirm this.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,012
score de la tête « metaresearch » (Gemma)0,019
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,025
Score d'incertitude au seuil0,062

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0120,019
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,100
Tête enseignante GPT0,289
Écart entre enseignants0,189 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePLoS ONEMême sujetCancer Genomics and DiagnosticsTravaux en français237 207