Integrating RNA-Seq into genome sequencing workflow enhances the analysis of structural variants causing neurodevelopmental disorders
Notice bibliographique
Résumé
BACKGROUND: Molecular diagnosis of neurodevelopmental disorders (NDDs) is mainly based on exome sequencing (ES), with a diagnostic yield of 31% for isolated and 53% for syndromic NDD. As sequencing costs decrease, genome sequencing (GS) is gradually replacing ES for genome-wide molecular testing. As many variants detected by GS only are in deep intronic or non-coding regions, the interpretation of their impact may be difficult. Here, we showed that integrating RNA-Seq into the GS workflow can enhance the analysis of the molecular causes of NDD, especially structural variants (SVs), by providing valuable complementary information such as aberrant splicing, aberrant expression and monoallelic expression. METHODS: We performed trio-GS on a cohort of 33 individuals with NDD for whom ES was inconclusive. RNA-Seq on skin fibroblasts was then performed in nine individuals for whom GS was inconclusive and optical genome mapping (OGM) was performed in two individuals with an SV of unknown significance. RESULTS: We identified pathogenic or likely pathogenic variants in 16 individuals (48%) and six variants of uncertain significance. RNA-Seq contributed to the interpretation in three individuals, and OGM helped to characterise two SVs. CONCLUSION: Our study confirmed that GS significantly improves the diagnostic performance of NDDs. However, most variants detectable by GS alone are structural or located in non-coding regions, which can pose challenges for interpretation. Integration of RNA-Seq data overcame this limitation by confirming the impact of variants at the transcriptional or regulatory level. This result paves the way for new routinely applicable diagnostic protocols.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 ».