Integration of Genome and Epigenetic Testing in the Diagnostic Evaluation of Developmental Delay: Differentiating Börjeson–Forssman–Lehmann (BFLS) and White–Kernohan (WHIKERS) Syndromes
Notice bibliographique
Résumé
Background: More than 1500 genes are associated with developmental delay and intellectual disability, with variants in many of these genes contributing to a shared phenotype. The discovery of variants of uncertain significance (VUS) found in these genes during genetic testing can lead to ambiguity and further delay in diagnosis and medical management. Phenotyping, additional genetic testing, and functional studies can all add valuable information to help reclassify these variants. Here we demonstrate the clinical utility of epigenetic signatures in prioritizing variants of uncertain significance in genes associated with developmental delay (DD) and intellectual disability (ID). Methods: Genome sequencing was performed in a male with developmental delay. He was found to have VUSs in both PHF6 and DDB1 genes, linked with Börjeson–Forssman–Lehmann syndrome (BFLS) and White–Kernohan syndrome (WHIKERS), respectively. These two disorders share a similar phenotype but have distinct inheritance patterns and molecular pathogenic mechanisms. DNA methylation profiling (DNAm) of whole blood was performed using the clinically validated EpiSign assay. Results: The proband’s methylation profile demonstrated a strong correlation with the BFLS methylation signature, supporting the PHF6 variant as a likely cause of his neurodevelopmental disorder. Conclusions: Epigenetic testing for disorders with distinct methylation patterns can provide diagnostic utility when a patient presents with variants of uncertain significance in genes associated with developmental delay. Epigenetic signatures can also guide genetic counselling and family planning.
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 ».