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 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 | 0,001 |
| 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 ».