Predisposition to hematopoietic malignancies by deleterious germline CHEK2 variants
Notice bibliographique
Résumé
Abstract The role of germline CHEK2 variants in hematopoietic malignancies (HMs) is poorly understood. We examined pathogenic/likely pathogenic (P/LP) CHEK2 variants in patients with hereditary HMs (HHMs), a solid tumor risk cohort, public datasets, and a knock-in mouse model. In the HHM cohort, 57 probands had germline P/LP CHEK2 variants, mostly p.I157T (53%, 30/57). Among CHEK2 p.I157T carriers, 43% (19/44) had myeloid malignancies, 32% (14/44) had lymphoid malignancies, and 2% (1/44) had both. Among those with other germline P/LP CHEK2 alleles, 36% (13/36) had myeloid malignancies, 28% (10/36) had lymphoid malignancies, and 6% (2/36) had both. CHEK2 p.I157T was enriched in HM patients (OR 6.44, 95%CI 3.68–10.73, P < 0.001). In a solid tumor risk cohort, 36% (15/42) of CHEK2 p.I157T patients had a HM family history. A genome wide association study showed enrichment of CHEK2 loss-of-function variants with myeloid leukemia ( P = 5.78e −7 ). In public acute myeloid leukemia (AML) datasets, 1% (16/1348) of patients had P/LP CHEK2 variants. In a public myelodysplastic neoplasms (MDS) dataset, 2% (5/214) had P/LP CHEK2 variants. Chek2 p.I161T mice, homologous to human p.I157T, had worse survival as heterozygotes ( P = 0.037) or homozygotes ( P = 0.005), with fewer Lin-CD34+ and Lin-cKit+ cells. Our data suggest P/LP CHEK2 variants are HHM risk alleles.
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 | 0,000 | 0,002 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».