Genome-Wide Sequencing Identified Rare Genetic Variants for Childhood-Onset Monogenic Lupus
Notice bibliographique
Résumé
OBJECTIVE: Genetics play an important role in systemic lupus erythematosus (SLE) pathogenesis. We calculated the prevalence of rare variants in known monogenic lupus genes among children suspected of monogenic lupus. METHODS: We completed paired-end genome-wide sequencing (whole genome sequencing [WGS] or whole exome sequencing) in patients suspected of monogenic lupus, and focused on 36 monogenic lupus genes. We prioritized rare (minor allele frequency < 1%) exonic, nonsynonymous, and splice variants with predicted pathogenicity classified as deleterious variants (Combined Annotation Dependent Depletion [CADD], PolyPhen2, and Sorting Intolerant From Tolerant [SIFT] scores). Additional filtering restricted to predicted damaging variants by considering reported zygosity. In those with WGS (n = 69), we examined copy number variants (CNVs) > 1 kb in size. We created additive non-HLA and HLA SLE genetic risk scores (GRSs) using common SLE-risk single-nucleotide polymorphisms. We tested the relationship between SLE GRSs and the number of rare variants with multivariate logistic models, adjusted for sex, ancestry, and age of diagnosis. RESULTS: = 0.01). We did not identify damaging CNVs. There was no significant association between non-HLA or HLA SLE GRSs and the odds of carrying ≥ 1 rare variant in multivariate analyses. CONCLUSION: In a cohort of patients with suspected monogenic lupus who underwent genome-wide sequencing, 13% carried rare predicted damaging variants for monogenic lupus. Additional studies are needed to validate our findings.
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 | 0,000 | 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) | 0,002 | 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 ».