The Incidence of Multiple Fusions in a Series of Pediatric Soft Tissue and Bone Tumors
Notice bibliographique
Résumé
BACKGROUND: Next generation sequencing (NGS) has increased the detection of fusion genes in cancer. NGS has found multiple fusions in single tumor samples; however, the incidence of this in pediatric soft tissue and bone tumors (PSTBTs) is not well documented. The aim of this study is to catalogue the incidence of multiple fusions in a series of PSTBTs, and apply a modified gene fusion classification system to determine clinical relevance. METHODOLOGY: RNA from 78 bone and soft tissue tumors and 7 external quality assessment samples were sequenced and analyzed using recently-described Metafusion (MF) software and classified using a modification of previously-published schema for fusion classification into 3 tiers: 1, strong clinical significance; 2, potential clinical significance; and 3, unknown clinical significance. RESULTS: One-hundred forty-five fusions were detected in 85 samples. Fifty-five samples (65%) had a single fusion and 30 (35%) had more than 1 fusion. No samples contained more than 1 tier 1 fusion. There were 40 tier 1 (28%), 36 tier 2 (24%), and 69 (48%) tier 3 fusions. CONCLUSIONS: A significant percentage of PSTBTs harbor more than 1 fusion, and by applying a modified fusion classification scheme, the potential clinical relevance of such fusions can be determined.
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 ».