Performance of an RNA-Based Next-Generation Sequencing Assay for Combined Detection of Clinically Actionable Fusions and Hotspot Mutations in NSCLC
Notice bibliographique
Résumé
INTRODUCTION: With its expanding list of approved and emerging therapeutic indications, NSCLC is the exemplar tumor type requiring upfront assessment of several biomarkers to guide clinical management. Next-generation sequencing allows identification of different types of molecular alterations, each with specific analytical challenges. Library preparation using parallel DNA and RNA workflows can overcome most of them, but it increases complexity of laboratory operations, turnaround time, and costs. We describe the performance characteristics of a 15-gene RNA panel on the basis of anchored multiplex polymerase chain reaction for combined detection of clinically relevant oncogenic fusion transcripts and hotspot small variants. METHODS: Formalin-fixed, paraffin-embedded NSCLC clinical samples (N = 58) were used along cell lines and commercial controls to validate the assay's analytical performance, followed by an exploratory prospective cohort (N = 87). RESULTS: The raw assay sensitivity for hotspot mutations and fusions was 83% and 93%, respectively, reaching 100% after filtering for key assay metrics. Those include quantity and quality of input of nucleic acid and sequencing metric from primers on housekeeping genes included in the assay. In the prospective cohort, driver alterations were identified in most cases (≥58%). CONCLUSIONS: This ultrafocused RNA-next-generation sequencing assay offers an advantageous option with single unified workflow for simultaneous detection of clinically relevant hotspot mutations and fusions in NSCLC, focusing on actionable gene targets.
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 | 0,001 |
| 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 | 0,000 | 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) | 0,001 | 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 ».