Long read nanopore DNA sequencing with adaptive sampling to identify tyrosine kinase fusion genes
Notice bibliographique
Résumé
Diverse haematological neoplasms are driven by tyrosine kinase (TK) fusion genes formed by recurrent or non-recurrent genomic rearrangements. The resulting chimeric proteins often present excellent targets for treatment with kinase inhibitors, and the fusion transcripts or genomic junctions can be used as specific targets for molecular monitoring. Whilst the TK genes involved are generally well characterised (e.g. ABL1, PDGFRA, FGFR1), the fusion partners are very diverse, presenting a challenge for detection and characterisation of these structural variants (SV) using current diagnostic methods. We assessed the ability of targeted nanopore sequencing using adaptive sampling to detect fusion genes in myeloid neoplasms. We sequenced genomic DNA from patients (n = 20) with a known or suspected TK gene fusion and identified rearrangements in 18 cases, including all cases with a known TK fusion, typical and atypical BCR::ABL1 rearrangements, an 843Kb deletion causing a FIP1L1::PDGFRA fusion, novel AGAP2::PDGFRB and NFIA::PDGFRB fusions, and a complex CCDC88C::PDGFRB rearrangement with multiple translocation events. The approach was fast (<72 h/sample from DNA to result), flexible with minimal hands-on laboratory time, and provided accurate, patient-specific characterisation of genomic breakpoints.
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 ».