Rare disorders have many faces: in silico characterization of rare disorder spectrum
Notice bibliographique
Résumé
BACKGROUND: The diagnostic journey for many rare disease patients remains challenging despite use of latest genetic technological advancements. We hypothesize that some patients remain undiagnosed due to more complex diagnostic scenarios that are currently not considered in genome analysis pipelines. To better understand this, we characterized the rare disorder (RD) spectrum using various bioinformatics resources (e.g., Orphanet/Orphadata, Human Phenotype Ontology, Reactome pathways) combined with custom-made R scripts. RESULTS: Our in silico characterization led to identification of 145 borderline-common, 412 rare and 2967 ultra-rare disorders. Based on these findings and point prevalence, we would expect that approximately 6.53%, 0.34%, and 0.30% of individuals in a randomly selected population have a borderline-common, rare, and ultra-rare disorder, respectively (equaling to 1 RD patient in 14 people). Importantly, our analyses revealed that (1) a higher proportion of borderline-common disorders were caused by multiple gene defects and/or other factors compared with the rare and ultra-rare disorders, (2) the phenotypic expressivity was more variable for the borderline-common disorders than for the rarer disorders, and (3) unique clinical characteristics were observed across the disorder categories forming the spectrum. CONCLUSIONS: Recognizing that RD patients who remain unsolved even after genome sequencing might belong to the more common end of the RD spectrum support the usage of computational pipelines that account for more complex genetic and phenotypic scenarios.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 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 ».