Overlapping pathogenic de novo CNVs in neurodevelopmental disorders and congenital anomalies impacting constraint genes regulating early development
Notice bibliographique
Résumé
Abstract Neurodevelopmental disorders (NDDs) and congenital anomalies (CAs) are rare disorders with complex etiology. In this study, we investigated the less understood genomic overlap of copy number variants (CNVs) in two large cohorts of NDD and CA patients to identify de novo CNVs and candidate genes associated with both phenotypes. We analyzed clinical microarray CNV data from 10,620 NDD and 3176 CA cases annotated using Horizon platform of GenomeArc Analytics and applied rigorous downstream analysis to evaluate overlapping genes from NDD and CA CNVs. Out of 13,796 patients, only 195 cases contained 218 validated de novo CNVs. Eighteen percent (31/170) de novo CNVs in NDD cases and 40% (19/48) de novo CNVs in CA cases contained genomic overlaps impacting developmentally constraint genes. Seventy-nine constraint genes (10.1% non-OMIM entries) were found to have significantly enriched genomic overlap within rare de novo pathogenic deletions ( P value = 0.01, OR = 1.58) and 45 constraint genes (13.3% non-OMIM entries) within rare de novo pathogenic duplications ( P value = 0.01, OR = 1.97). Analysis of spatiotemporal transcriptome demonstrated both pathogenic deletion and duplication genes to be highly expressed during the prenatal stage in human developmental brain ( P value = 4.95 X 10 –6 ). From the list of overlapping genes, EHMT1 , an interesting known NDD gene encompassed pathogenic deletion CNVs from both NDD and CA patients, whereas FAM189A1 , and FSTL5 are new candidate genes from non-OMIM entries. In summary, we have identified constraint overlapping genes from CNVs (including de novo) in NDD and CA patients that have the potential to play a vital role in common disease etiology.
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) | 0,000 | 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 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 ».