Genetic testing of Behçet’s disease using next-generation sequencing to identify monogenic mimics and HLA-B*51
Notice bibliographique
Résumé
OBJECTIVE: Several monogenic autoinflammatory disorders and primary immunodeficiencies can present early in life with features that may be mistaken for Behçet's disease (BD). We aimed to develop a genetic analysis workflow to identify rare monogenic BD-like diseases and establish the contribution of HLA haplotype in a cohort of patients from the UK. METHODS: Patients with clinically suspected BD were recruited from four BD specialist care centres in the UK. All participants underwent whole-exome sequencing (WES), and genetic analysis thereafter by (i) examining genes known to cause monogenic immunodeficiency, autoinflammation or vasculitis by virtual panel application; (ii) scrutiny of variants prioritized by Exomiser using Human Phenotype Ontology (HPO); (iii) identification of copy number variants using ExomeDepth; and (iv) HLA-typing using OptiType. RESULTS: Thirty-one patients were recruited: median age 15 (4-52), and median disease onset age 5 (0-20). Nine/31 (29%) patients had monogenic disease mimicking BD: five cases of Haploinsufficiency of A20 with novel TNFAIP3 variants (p.T76I, p. M112Tfs*8, p. S548Dfs*128, p. C657Vfs*14, p. E661Nfs*36); one case of ISG15 deficiency with a novel nonsense variant (ISG15: p.Q16X) and 1p36.33 microdeletion; one case of common variable immune deficiency (TNFRSF13B: p.A181E); and two cases of TNF receptor-associated periodic syndrome (TNFRSF1A: p.R92Q). Of the remaining 22 patients, eight (36%) were HLA-B*51 positive. CONCLUSION: We describe a novel genetic workflow for BD, which can efficiently detect known and potentially novel monogenic forms of BD, whilst additionally providing HLA-typing. Our results highlight the importance of genetic testing before BD diagnosis, as this has an impact on choice of therapy, prognosis and genetic counselling.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».