Clinical Feasibility of Long‐Read <scp>WGS</scp> for <scp>DNA</scp> Methylation Signature Analysis
Notice bibliographique
Résumé
DNA methylation (DNAm) signatures have emerged as valuable diagnostic biomarkers for rare genetic disorders. To date, the most widely used approach for establishing and validating these signatures has relied on array-based technologies. However, in clinical diagnostics, there is a growing shift from short-read sequencing (SRS) toward long-read sequencing (LRS) technologies. Recent advances in platforms such as Pacific Biosciences (PacBio) and Oxford Nanopore Technologies (ONT) enable direct assessment of DNAm from native DNA, offering improved resolution and reduced technical bias compared to array-based technologies. In this study, we compared DNAm profiles generated by LRS with those obtained from DNAm arrays. DNAm profiles of two individuals with pathogenic KMT2D variants were analyzed using DNAm arrays, LRS using PacBio and ONT, and ONT multiplexed sequencing with adaptive sampling. A support vector machine (SVM) classifier trained on array data, as well as the public classification platform EpigenCentral, yielded correct predictions for all LRS samples, underscoring the potential of LRS platforms in DNAm-based diagnostics. Our results suggest that DNAm profiles generated by LRS align well with DNAm signatures established using DNAm arrays, supporting their feasibility in clinical and research applications with the added benefit of simultaneous methylation and sequence analysis.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».