Horizon: CNV interpretation through rapid automated ACMG-aligned pathogenicity analysis
Notice bibliographique
Résumé
Abstract Purpose Our study assesses the Horizon model, a novel CNV classification tool developed in line with American College of Medical Genetics (ACMG) guidelines, to enhance the classification of pathogenicity in CNVs. Methods Horizon utilizes a ranking-based algorithm, incorporating multiple proprietary databases and variant inheritance models as per ACMG standards. The model’s effectiveness was verified through Area Under the Curve (AUC) analyses on three datasets comprising 696 pathogenic inherited or de novo variants, as classified by clinical geneticists and several established tools. Results Horizon achieved an AUC of 0.97 in the discovery cohort, demonstrating high accuracy in CNV interpretation and proficiency in predicting pathogenicity. We observed an AUC of 0.87 in the de novo variant cohort and an overall AUC of 0.94 across all cohorts, surpassing tools like ClassifyCNV and AnnotSV. It showed particular effectiveness in interpreting duplication CNVs and the highest performance for CNVs sized 3-5 Mb. Conclusion The Horizon model offers robust and accurate CNV interpretation, outperforming existing tools and aligning closely with clinical evaluations. Its comprehensive approach, integrating a range of genomic features and following ACMG guidelines, makes it a crucial tool in the genomic interpretation landscape, facilitating the rapid and accurate diagnosis of genetic disorders.
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».