Gene Variant Spectrum in Probands With Familial Exudative Vitreoretinopathy Using an Expanded Panel
Notice bibliographique
Résumé
Purpose: To investigate the gene variant spectrum in patients with familial exudative vitreoretinopathy (FEVR). Methods: Probands clinically diagnosed with FEVR and their relatives were enrolled and clinical information and DNA collected. An expanded FEVR panel was used, including six recognized FEVR genes (FZD4, NDP, LRP5, TSPAN12, ZNF408, and CTNNB1) and 19 genes previously associated with ocular features overlapping FEVR (FEVR-associated genes). Variants identified using targeted next-generation sequencing and/or Sanger sequencing were analyzed and classified using the American College of Medical Genetics and Clinical Genome Resource Sequence Variant Interpretation (ClinGen SVI) working group recommendations to detect disease-causing variants (DCVs). Results: Analyses of data from a cohort of 94 probands provided a molecular diagnosis for 39 (41.5%) probands: 34 (87.2%) had a single DCV, whereas 5 (12.8%) harbored more than 1 DCV. Of 41 total DCVs in solved probands, 33 (80.5%) were in 4 of the 6 recognized genes, LRP5, FZD4, TSPAN12, and NDP, whereas 8 were found in FEVR-associated genes, 6 in KIF11, and 2 (LAMA1 and DOCK6) each in association with a KIF11 DCV. Reanalyzing variants using the latest criteria impacted the variant classification in five probands (5.3%), changing variants that were once deemed likely pathogenic to variants of uncertain significance. Conclusions: The expanded FEVR gene panel detected DCVs in nearly one-half of our cohort. Including the criteria used in classification will improve transparency of variant calls as more data become available. Four FEVR genes account for most cases, and the role of rare FEVR genes and candidate genes requires further study.
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 | 0,000 |
| 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 | 0,003 |
| 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 ».