Predisposition Footprints in the Somatic Genome of Wilms Tumors
Notice bibliographique
Résumé
Approximately 10% of children with cancer harbor a mutation in a predisposition gene. In children with the kidney cancer Wilms tumor, the prevalence is as high as 30%. Certain predispositions are associated with defined histological and clinical features, suggesting differences in tumorigenesis. To investigate this, we assembled a cohort of 137 children with Wilms tumor, of whom 71 had a pathogenic germline or mosaic variant. We examined 237 neoplasms (including two secondary leukemias), utilizing whole-genome sequencing, RNA sequencing, and genome-wide methylation, validating our findings in an independent cohort. Tumor development differed in children harboring a predisposition, depending on the variant gene and its developmental timing. Differences pervaded the repertoire of driver events, including high-risk mutations, the clonal architecture of normal kidneys, and the relatedness of neoplasms from the same individual. Our findings indicate that predisposition may preordain Wilms tumorigenesis, suggesting a variant-specific approach to managing children merits consideration. Significance: Tumors that arise in children with a cancer predisposition may develop through the same mutational pathways as sporadic tumors. We examined this question in the childhood kidney cancer, Wilms tumor. We found that certain predispositions dictate the genetic development of tumors, with clinical implications for these children. See related commentary by Brzezinski and Malkin, p. 258.
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 | 0,000 |
| 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) | 0,000 | 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 ».