Solving inherited white matter disorder etiologies in the neurology clinic: Challenges and lessons learned using next-generation sequencing
Notice bibliographique
Résumé
Introduction: Rare neurodevelopmental disorders, including inherited white matter disorders or leukodystrophies, often present a diagnostic challenge on a genetic level given the large number of causal genes associated with a range of disease subtypes. This study aims to demonstrate the challenges and lessons learned in the genetic investigations of leukodystrophies through presentation of a series of cases solved using exome or genome sequencing. Methods: Each of the six patients had a leukodystrophy associated with hypomyelination or delayed myelination on MRI, and inconclusive clinical diagnostic genetic testing results. We performed next generation sequencing (case-based exome or genome sequencing) to further investigate the genetic cause of disease. Results: . We describe the lessons learned in reaching the genetic diagnosis, including the importance of (a) utilizing proper multi-gene panels in clinical testing, (b) assessing the reliability of biochemical assays in supporting diagnoses, and (c) understanding the limitations of exome sequencing methods in regard to CNV detection and region coverage in GC-rich areas. Discussion: This study illustrates the importance of applying a collaborative diagnostic approach by combining detailed phenotyping data and metabolic results from the clinical environment with advanced next generation sequencing analysis techniques from the research environment to increase the diagnostic yield in patients with genetically unresolved leukodystrophies.
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 ».