文献解读-Consistency and reproducibility of large panel next-generation sequencing: Multi-laboratory assessment of somatic mutation detection on reference materials with mismatch repair and proofreading deficiency

简介: Consistency and reproducibility of large panel next-generation sequencing: Multi-laboratory assessment of somatic mutation detection on reference materials with mismatch repair and proofreading deficiency,大panel二代测序的一致性和重复性:对具有错配修复和校对缺陷的参考物质进行体细胞突变检测的多实验室评估

文献解读-Gene Editing.png

关键词:基因编辑;基因测序;变异检测;


文献简介

  • 标题(英文):Consistency and reproducibility of large panel next-generation sequencing: Multi-laboratory assessment of somatic mutation detection on reference materials with mismatch repair and proofreading deficiency
  • 标题(中文):大panel二代测序的一致性和重复性:对具有错配修复和校对缺陷的参考物质进行体细胞突变检测的多实验室评估
  • 发表期刊:Journal of Advanced Research
  • 作者单位:中国医学科学院老年医学研究所国家临床检验中心等
  • 发表年份:2023
  • 文章地址:https://doi.org/10.1016/j.jare.2022.03.016

1.png

图1 文献介绍

临床精准肿瘤学越来越依赖于使用大panel下一代测序的准确全基因组分析;然而,准确和一致地检测来自单个平台和管道的体细胞突变的困难仍然是一个悬而未决的问题。为了促进靶向测序在临床上的应用和标准化,应使用特征明确且配对的肿瘤-正常参考样品进行验证和质量控制。
在该研究中,研究者使用CRISPR-Cas9技术敲低参与错配修复和DNA校对的基因,以在确定的GM12878细胞系中积累体细胞突变。以对照品为参考材料,综合评价肿瘤panel检测结果的重现性和准确性,探讨潜在影响因素。


测序流程

在panel检测数据分析部分,研究者使用Sentieon软件进行reads比对、变异检测及变异过滤等分析并与其他分析流程进行了综合比较。

2.png

图2 Sentieon的作用

3.jpg

图3 用于评估多种靶向panel测序技术分析性能的研究设计

Sentieon软件团队拥有丰富的软件开发及算法优化工程经验,致力于解决生物数据分析中的速度与准确度瓶颈,为来自于分子诊断、药物研发、临床医疗、人群队列、动植物等多个领域的合作伙伴提供高效精准的软件解决方案,共同推动基因技术的发展。 截至2023年3月份,Sentieon已经在全球范围内为1300+用户提供服务,被世界一级影响因子刊物如NEJM、Cell、Nature等广泛引用,引用次数超过700篇。此外,Sentieon连续数年摘得了Precision FDA、Dream Challenges等多个权威评比的桂冠,在业内获得广泛认可。


文献讨论

4.png

图4 文献讨论

本研究全面评估了使用大型panel NGS进行体细胞突变检测的性能,包括以下几个方面:

  1. 使用DNA修复基因和校对基因敲低细胞系制备参考样本
  2. 纳入医院或商业实验室的多个panels
  3. 基于全外显子组测序(WES)和panels结果生成真实集(truth set)
  4. 评估panels的重复性、假阳性(FPs)和假阴性(FNs)

总结

综上所述,该研究总共制备了来自工程细胞系的14对肿瘤-正常参考DNA样品,并生成了包含168.1 Mb高置信区8个体细胞突变的参考数据集。为制定参考标准提供了综合实践,以评估Oncopanel检测体细胞突变,并定量揭示了检测误差的来源。研究结果将促进实验室之间的优化、验证和质量控制。

目录
相关文章
|
12月前
|
数据挖掘
【提示学习】Automatic Multi-Label Prompting: Simple and Interpretable Few-Shot Classification
文章提出了一种简单确高效地构建verbalization的方法:
|
12月前
|
数据挖掘
【提示学习】Prompt Tuning for Multi-Label Text Classification: How to Link Exercises to Knowledge Concept
文章这里使用的是BCEWithLogitsLoss,它适用于多标签分类。即:把[MASK]位置预测到的词表的值进行sigmoid,取指定阈值以上的标签,然后算损失。
|
自然语言处理 Java 计算机视觉
ACL2023 - AMPERE: AMR-Aware Prefix for Generation-Based Event Argument Extraction Model
事件论元抽取(EAE)识别给定事件的事件论元及其特定角色。最近在基于生成的EAE模型方面取得的进展显示出了与基于分类的模型相比的良好性能和可推广性
165 0
|
机器学习/深度学习 自然语言处理 算法
TPLinker: Single-stage Joint Extraction of Entities and Relations Through Token Pair Linking 论文解读
近年来,从非结构化文本中提取实体和关系引起了越来越多的关注,但由于识别共享实体的重叠关系存在内在困难,因此仍然具有挑战性。先前的研究表明,联合学习可以显著提高性能。然而,它们通常涉及连续的相互关联的步骤,并存在暴露偏差的问题。
188 0
|
机器学习/深度学习 自然语言处理 算法
ACL 2022:Graph Pre-training for AMR Parsing and Generation
抽象语义表示(AMR)以图形结构突出文本的核心语义信息。最近,预训练语言模型(PLM)分别具有AMR解析和AMR到文本生成的高级任务。
146 0
|
数据挖掘
MUSIED: A Benchmark for Event Detection from Multi-Source Heterogeneous Informal Texts 论文解读
事件检测(ED)从非结构化文本中识别和分类事件触发词,作为信息抽取的基本任务。尽管在过去几年中取得了显著进展
57 0
|
自然语言处理 算法 知识图谱
DEGREE: A Data-Efficient Generation-Based Event Extraction Model论文解读
事件抽取需要专家进行高质量的人工标注,这通常很昂贵。因此,学习一个仅用少数标记示例就能训练的数据高效事件抽取模型已成为一个至关重要的挑战。
116 0
|
机器学习/深度学习 算法 图形学
Deep learning based multi-scale channel compression feature surface defect detection system
简述:首先应用背景分割和模板匹配技术来定义覆盖目标工件的ROI区域。提取的感兴趣区域被均匀地裁剪成若干个图像块,每个块被送到基于CNN的模型,以分类杂乱背景中不同大小的表面缺陷。最后,对空间上相邻且具有相同类别标签的图像块进行合并,以生成各种表面缺陷的识别图。
141 0
|
机器学习/深度学习 算法 数据挖掘
【多标签文本分类】Improved Neural Network-based Multi-label Classification with Better Initialization ……
【多标签文本分类】Improved Neural Network-based Multi-label Classification with Better Initialization ……
117 0
【多标签文本分类】Improved Neural Network-based Multi-label Classification with Better Initialization ……
|
机器学习/深度学习 异构计算 索引
PyG学习笔记2-CREATING MESSAGE PASSING NETWORKS
PyG学习笔记2-CREATING MESSAGE PASSING NETWORKS
325 0
PyG学习笔记2-CREATING MESSAGE PASSING NETWORKS
下一篇
无影云桌面