Clinical-Grade Genomic Analysis of a 99-patient Cohort for the Identification of Therapeutic Targets
Notice bibliographique
Résumé
Several large-scale studies have reported the application of holistic bioinformatics pipeline approaches for the comprehensive detection of genomic drivers, routinely utilizing whole-genome sequencing (WGS) and whole-exome sequencing (WES). However, a general pipeline methodology for efficient analysis of small-scale genomics studies, utilizing targeted genomic sequencing (TGS) remains to be accomplished. Here we report the application of Illumina’s TruSight 170 panel, 5 database aggregations (ClinVar, COSMIC, TCGA, GTEX and DGidb) and basic computational resources upon a 99-patient cohort, with the aim of describing the underlying causative mechanisms of cancer. The pipeline initially reported a gene pool of 133 genes across all 13 cancer variations. After extensive DNA mutation profiling TP53, CHEK2, BARD1, ATM and NOTCH1 were determined to be the most frequently mutated within the dataset. Additional, clinical significance analysis revealed the pathogenesis of all such genes resulting in further stratification of highly pathogenic genes, which included TP53. Individual variants were analyzed to determine the frequency and distributions of such variants across the human genome, via COSMIC. MAFtools analysis was conducted to investigate the somatic mutational landscape of the dataset consisting of patient cohort patterns, mutation classes and genomic driver co-occurrence. More than 95% of genes co-occur within the dataset, indicating the application of double-target agents. Multiple oncogenic mechanisms and single-target drug propositions include loss of heterozygosity - Olaparib/Veliparib/Rucaparib (BRCA1/2) and RTK-RAS pathway - Afatinib/Lazertinib (EGFR). Multiple double-target driver combination propositions included BRCA1 - BRCA2, MSH3 - KMT2A and TP53 - BARD1. The development of such efficient genomic pipeline frameworks allows for rapid genomic driver detection, ultimately leading to drug discovery, prognostic modeling and a higher quality of life for cancer patients.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».