Rapid donor-specific single nucleotide variation detection by nanopore sequencing of ex vivo lung perfusate
Notice bibliographique
Résumé
Background Donor-derived cell-free DNA (ddcfDNA) has been shown to be useful in monitoring lung graft health, and single nucleotide variations (SNVs) between donor and recipient are used to identify ddcfDNA in post-transplant recipient blood. One limitation is the need to map donor or recipient SNVs prior to calculating %ddcfDNA. In this study, we use Nanopore sequencing of ex vivo lung perfusion perfusate cfDNA to map donor SNVs and validate it using standard short-read whole genome sequencing (WGS). Methods: cfDNA was extracted from 11 clinical ex vivo lung perfusion perfusate samples and sequenced using a Nanopore sequencer. SNVs were identified by comparison to a reference genome and then filtered for homozygous calls overlapping the 1000 Genomes SNP database. Matching short-read WGS was performed on 6 matching samples to act as a gold standard. Following mapping, %ddcfDNA was calculated in cell-free DNA (cfDNA) collected from matching post-lung transplant recipient plasma using SNVs called by Nanopore vs SNVs called by short-read WGS and compared for accuracy. Results Nanopore sequencing yielded genomic data with a median coverage of 4.88x (range 2.27-8.79) using a single flow cell with a median run length of 72 hours. The median general error rate of the sequence was 5.55% (range 4.98%-6.49%), and the median number of SNV with a depth > 3 and overlap with the 1000 Genomes SNP database was 246,993 (range 99,357-313,721). The positive predictive value of SNVs identified using 2X to 6X coverage cutoffs ranged from 66.6% to 96.9%, with a median value of 90.3% at 6X coverage. Correlation analysis showed a strong correlation between results by Nanopore sequencing and results by WGS for detecting %ddcfDNA in post-transplant plasma (R^2 = 0.996, p < 0.001). Conclusions Despite the lower sequencing accuracy and depth obtained from Nanopore sequencing, a high positive predictive value can be achieved in a set of donor-specific SNVs when appropriately filtered by read depth and overlap with SNP databases. This demonstrates the potential for the use of Nanopore sequencing to generate personalized donor cfDNA maps for use in post-operative donor-derived plasma cfDNA identification.
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 | 0,000 |
| 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 ».