Diagnosing missed cases of spinal muscular atrophy in genome, exome, and panel sequencing data sets
Notice bibliographique
Résumé
PURPOSE: We set out to develop a publicly available tool that could accurately diagnose spinal muscular atrophy (SMA) in exome, genome, or panel sequencing data sets aligned to a GRCh37, GRCh38, or T2T reference genome. METHODS: The SMA Finder algorithm detects the most common genetic causes of SMA by evaluating reads that overlap the c.840 position of the SMN1 and SMN2 paralogs. It uses these reads to determine whether an individual most likely has 0 functional copies of SMN1. RESULTS: We developed SMA Finder and evaluated it on 16,626 exomes and 3911 genomes from the Broad Institute Center for Mendelian Genomics, 1157 exomes and 8762 panel samples from Tartu University Hospital, and 198,868 exomes and 198,868 genomes from the UK Biobank. SMA Finder's false-positive rate was below 1 in 200,000 samples, its positive predictive value was greater than 96%, and its true-positive rate was 29 out of 29. Most of these SMA diagnoses had initially been clinically misdiagnosed as limb-girdle muscular dystrophy. CONCLUSION: Our extensive evaluation of SMA Finder on exome, genome, and panel sequencing samples found it to have nearly 100% accuracy and demonstrated its ability to reduce diagnostic delays, particularly in individuals with milder subtypes of SMA. Given this accuracy, the common misdiagnoses identified here, the widespread availability of clinical confirmatory testing for SMA, and the existence of treatment options, we propose that it is time to add SMN1 to the American College of Medical Genetics list of genes with reportable secondary findings after genome and exome sequencing.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».