Ig Gene Clonality Analysis Using Next-Generation Sequencing for Improved Minimal Residual Disease Detection with Significant Prognostic Value in Multiple Myeloma Patients
Notice bibliographique
Résumé
Next-generation sequencing (NGS) of rearranged Ig genes is an effective technology for identifying pathologic clonal cells in multiple myeloma (MM) and tracking minimal residual disease. The clinical effect of implementing NGS in Ig gene clonality analysis was evaluated via a retrospective chart review. A total of 312 patients diagnosed with MM were enrolled in the study. Ig gene clonality was determined by fragment analysis using BIOMED-2 multiplex PCR assays and by NGS using the LymphoTrack IGH FR1 Assay and LymphoTrack IGK Assay. The clonality detection rates in diagnostic samples obtained using fragment analysis and NGS were 96.7% and 95.4%, respectively (statistically nonsignificant difference; P = 0.772). Among samples of patients in complete remission, the clonality detection rates obtained using fragment analysis and NGS were 33.3% and 60.3%, respectively (statistically significant difference; P = 0.034). Progression-free survival was significantly longer in negative than positive patients by NGS analysis (P = 0.03). Clonality detection by NGS-based methods using IGH FR1 and IGK assays in routine clinical practice is feasible, provides good clonality detection rates in diagnostic samples, and allows monitoring of samples in MM patients with significant prognostic value.
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 | 0,001 |
| 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 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 ».