Gene doping detection in the era of genomics
Notice bibliographique
Résumé
Recent progress in gene editing has enabled development of gene therapies for many genetic diseases, but also made gene doping an emerging risk in sports and competitions. By delivery of exogenous transgenes into human body, gene doping not only challenges competition fairness but also places health risk on athletes. World Anti-Doping Agency (WADA) has clearly inhibited the use of gene and cell doping in sports, and many techniques have been developed for gene doping detection. In this review, we will summarize the main tools for gene doping detection at present, highlight the main challenges for current tools, and elaborate future utilizations of high-throughput sequencing for unbiased, sensitive, economic and large-scale gene doping detections. Quantitative real-time PCR assays are the widely used detection methods at present, which are useful for detection of known targets but are vulnerable to codon optimization at exon-exon junction sites of the transgenes. High-throughput sequencing has become a powerful tool for various applications in life and health research, and the era of genomics has made it possible for sensitive and large-scale gene doping detections. Non-biased genomic profiling could efficiently detect new doping targets, and low-input genomics amplification and long-read third-generation sequencing also have application potentials for more efficient and straightforward gene doping detection. By closely monitoring scientific advancements in gene editing and sport genetics, high-throughput sequencing could play a more and more important role in gene detection and hopefully contribute to doping-free sports in the future.
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 | 0,001 |
| 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 ».