Validation of a Targeted Region-Based Sliding Window (TRSW) Approach for Copy Number Variation Detection in a Large Cohort of Patients with ADPKD
Notice bibliographique
Résumé
Background: With advances in next-generation sequencing(NGS), targeted NGS(tNGS) is widely used in ADPKD, showing excellent diagnostic yield for single-nucleotide variants and indels. However, copy number variations(CNVs) are often missed but can be detected by multiplex ligation-dependent probe amplification(MLPA) as an additional follow-up test. Recently, sequence-based CNV detection from tNGS has emerged as a potential approach for CNV detection, but has not been systematically evaluated large PKD cohorts. Here, we report our results on the diagnostic accuracy of a TRSW-based method for CNV detection in a large PKD cohort. Methods: We retrospectively analyzed patients with exome-based gene panels from the Toronto Genetic Epidemiology Study of PKD(TGSEP) using TRSW. In this computational method, average read depths from tNGS are compared to those of a normal pool to generate a potential CNV call. After filtering(Figure 1), patients with potential CNVs in PKD1/2 exons were reviewed in Integrative Genomics Viewer(IGV) to classify calls as likely positive(LP) or negative(LN) and compared with MLPA when available. Results: Among 2365 patients from TGESP, 934 had tNGS data(Figure 1). After filtering, review of 448 potential CNVs in PKD1/2 on the IGV identified 44 LP and 404 LN cases. In the LP group, MLPA confirmed 40/43 CNVs; 3 were missed by MLPA but confirmed by other methods. In the LN group, MLPA was also negative in 156/166 cases; 9 had false positives by MLPA, and 1 CNV was false negative by TRSW. Conclusion: TRSW provides a sensitive and accurate method for CNV detection from NGS data with high concordance to MLPA, although it requires extensive filtering and manual review. A combined TRSW-MLPA approach may enhance CNV diagnostic yield in ADPKD.
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 | 0,004 | 0,008 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».