Diagnostic implications of pitfalls in causal variant identification based on 4577 molecularly characterized families
Notice bibliographique
Résumé
Despite large sequencing and data sharing efforts, previously characterized pathogenic variants only account for a fraction of Mendelian disease patients, which highlights the need for accurate identification and interpretation of novel variants. In a large Mendelian cohort of 4577 molecularly characterized families, numerous scenarios in which variant identification and interpretation can be challenging are encountered. We describe categories of challenges that cover the phenotype (e.g. novel allelic disorders), pedigree structure (e.g. imprinting disorders masquerading as autosomal recessive phenotypes), positional mapping (e.g. double recombination events abrogating candidate autozygous intervals), gene (e.g. novel gene-disease assertion) and variant (e.g. complex compound inheritance). Overall, we estimate a probability of 34.3% for encountering at least one of these challenges. Importantly, our data show that by only addressing non-sequencing-based challenges, around 71% increase in the diagnostic yield can be expected. Indeed, by applying these lessons to a cohort of 314 cases with negative clinical exome or genome reports, we could identify the likely causal variant in 54.5%. Our work highlights the need to have a thorough approach to undiagnosed diseases by considering a wide range of challenges rather than a narrow focus on sequencing technologies. It is hoped that by sharing this experience, the yield of undiagnosed disease programs globally can be improved.
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 | 0,001 |
| 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 | 0,001 | 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 ».