MétaCan
Menu
Retour à la cohorte
Enregistrement W4404360817 · doi:10.3324/haematol.2024.286513

Germline genetics, disease, and exposure to medication influence longitudinal dynamics of clonal hematopoiesis

2024· article· en· W4404360817 sur OpenAlexaff
Taralynn Mack, Yash Pershad, Caitlyn Vlasschaert, Cosmin A. Bejan, J. Brett Heimlich, Yajing Li, Nicole A. Mickels, Joseph C. Van Amburg, Jessica Ulloa, Alexander J. Silver, Leo Y. Luo, Angela Jones, P. Brent Ferrell, Ashwin Kishtagari, Yaomin Xu, Michael R. Savona, Alexander G. Bick

Notice bibliographique

RevueHaematologica · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueAcute Myeloid Leukemia Research
Établissements canadiensQueen's University
Organismes subventionnairesNational Center for Advancing Translational SciencesNational Institute for Occupational Safety and HealthNational Center for Research ResourcesNational Institute of General Medical SciencesNational Institute of Diabetes and Digestive and Kidney DiseasesNational Cancer InstituteNational Institutes of HealthAlexander and Margaret Stewart Trust
Mots-clésGermlineGeneticsDiseaseBiologyHaematopoiesisSomatic evolution in cancerMedicineInternal medicineStem cellCancerGene

Résumé

récupéré en direct d'OpenAlex

Germline genetics, disease, and exposure to medication influence longitudinal dynamics of clonal hematopoiesisClonal hematopoiesis of indeterminate potential (CHIP) occurs when a hematopoietic stem cell acquires a somatic driver mutation in a leukemia-associated gene, with a variant allele fraction (VAF) exceeding 2% in peripheral blood. 1 Higher VAF is associated with increased morbidity and mortality risk.[2][3][4][5] Identifying factors influencing clonal expansion rate is crucial for risk stratification in CHIP patients.Recent cost-effective targeted assays have enabled serial sequencing and longitudinal profiling of CHIP dynamics.6 We present the largest longitudinal analysis of CHIP mutational dynamics to-date, examining 3,000 individuals from the Vanderbilt BioVU biobank.Our findings reveal that CHIP growth rates vary significantly by driver gene and are influenced by germline variants and medication exposures.Additionally, we demonstrate that monitoring blood counts may be more informative for risk stratification than frequent resequencing in CHIP patients.We performed targeted, error-corrected sequencing on serial blood samples from 3,000 individuals in the Vanderbilt BioVU biobank, using custom-designed probes for 22 CHIP-associated genes (Online Supplementary Table S1; Online Supplementary Figure S1).Vanderbilt University Medical Center's Institutional Review Board oversees BioVU and approved this project (IRB #201783).Unique molecular identifiers (UMI) were used for error correction, excluding mutations detected from a single UMI.The mean coverage depth was 1,725x after de-duplication.CHIP mutations were called for variants with ≥100x total read depth, ≥3 variant allele reads, and >2% VAF in at least one blood draw.We identified 893 CHIP mutations in 711 individuals (Figure 1A).Participants' mean age at first draw was 70 years (range, 19-96), with a mean 5.7-year interval (range, 0.7-13) between samples.Mean VAF were 6.7% and 9.5% at first and second draws, respectively.Most individuals (79%) had a single CHIP mutation, 16% had two, and 4% had three or more (Figure 1B).DNMT3A and TET2 were the most frequently mutated genes.Of the 711 individuals, 74% had CHIP at both time points, while 26% had >2% VAF at only one draw, predominantly (78%) at the second draw.We modeled the growth rate r with a compound interest formula -1.SRSF2/SF3B1 (splicing factor) driver mutations exhibited the fastest average growth rate (~25% annually), while DNMT3A driver mutations showed the slowest rate (~7% annually) (Figure 1C).Seventy-eight percent of mutations increased in VAF (annual growth rate >1%), consistent with prior studies.5,7 Decreases in VAF (annual growth rate <-1%) were observed in 30% of

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,034

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,013
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,315
Écart entre enseignants0,294 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHaematologicaMême sujetAcute Myeloid Leukemia ResearchTravaux en français237 207