【目的】探讨二代测序技术结合Sanger测序验证法在一原发性部分性绒毛膜羊膜病理性分离家系致病基因检测的作用,探索临床罕见胎儿疾病的产前诊断思路与方法。【方法】采用全基因外显子高通量测序方法,在ZMPSTE24基因中发现两个致病突变...【目的】探讨二代测序技术结合Sanger测序验证法在一原发性部分性绒毛膜羊膜病理性分离家系致病基因检测的作用,探索临床罕见胎儿疾病的产前诊断思路与方法。【方法】采用全基因外显子高通量测序方法,在ZMPSTE24基因中发现两个致病突变,随后对先证者及其父母的致病位点进行Sanger测序验证,明确致病位点后,对第3次妊娠胎儿行绒毛取样术实施产前诊断,分析致病位点。【结果】检测到先证者在ZMPSTE24基因第10个外显子上发生了框移突变(c.1389至c.1390缺失AG,来源于母亲)以及在ZMPSTE24基因第8个外显子上发生了错义突变(c.1006G>C双重杂合改变,来源于父亲)。再次妊娠产前诊断结果提示胎儿为基因突变(c.1006G>C)携带者,突变来源于父亲。【结论】本研究运用全外显子测序技术成功分离出ZMPSTE24基因的两个新突变,对一曾出现相同两次原发性部分性绒毛膜羊膜病理性分离的孕妇再次妊娠行早期绒毛取样术产前诊断。该ZMPSTE24基因突变与mandibuloacral dysplasia with type B相关。新突变可能是该原发性部分性绒毛膜羊膜病理性分离病例的病因。为临床上罕见疾病的病因检测及胎儿宫内诊断提供参考方法与思路。展开更多
目的本研究旨在评价二代测序数据中关联性分析方法。以往运用于全基因组关联性研究(genome-wide association study,GWAS)中的方法能否在全外显子测序数据中有良好的精确度,对于未来测序数据的挖掘有重要的意义。方法利用英国生物样本库...目的本研究旨在评价二代测序数据中关联性分析方法。以往运用于全基因组关联性研究(genome-wide association study,GWAS)中的方法能否在全外显子测序数据中有良好的精确度,对于未来测序数据的挖掘有重要的意义。方法利用英国生物样本库(UK biobank,UKB)45万人全外显子测序数据,模拟不同病例占比、不同亲缘关系占比的数据集,采用BOLT-LMM,SAIGE,fastGWA-GLMM和REGENIE四种常见的关联性分析算法对各种情景下的数据集进行模拟试验,评价指标主要是一类错误、运行时间和内存占用。根据不同情景下模拟试验结果,寻找效果最优的方法。结果SAIGE和REGENIE在各种情况下均能较好的控制一类错误,计算效率也较高。面对亲缘关系占比高,亲缘关系复杂的数据时,fastGWA-GLMM表现较差。BOLT-LMM不适用于二元表型,不推荐用于实际工作。结论综合比较,基于广义混合模型的SAIGE和基于机器学习的REGENIE适用于二代测序数据关联性分析。展开更多
文摘【目的】探讨二代测序技术结合Sanger测序验证法在一原发性部分性绒毛膜羊膜病理性分离家系致病基因检测的作用,探索临床罕见胎儿疾病的产前诊断思路与方法。【方法】采用全基因外显子高通量测序方法,在ZMPSTE24基因中发现两个致病突变,随后对先证者及其父母的致病位点进行Sanger测序验证,明确致病位点后,对第3次妊娠胎儿行绒毛取样术实施产前诊断,分析致病位点。【结果】检测到先证者在ZMPSTE24基因第10个外显子上发生了框移突变(c.1389至c.1390缺失AG,来源于母亲)以及在ZMPSTE24基因第8个外显子上发生了错义突变(c.1006G>C双重杂合改变,来源于父亲)。再次妊娠产前诊断结果提示胎儿为基因突变(c.1006G>C)携带者,突变来源于父亲。【结论】本研究运用全外显子测序技术成功分离出ZMPSTE24基因的两个新突变,对一曾出现相同两次原发性部分性绒毛膜羊膜病理性分离的孕妇再次妊娠行早期绒毛取样术产前诊断。该ZMPSTE24基因突变与mandibuloacral dysplasia with type B相关。新突变可能是该原发性部分性绒毛膜羊膜病理性分离病例的病因。为临床上罕见疾病的病因检测及胎儿宫内诊断提供参考方法与思路。
文摘目的本研究旨在评价二代测序数据中关联性分析方法。以往运用于全基因组关联性研究(genome-wide association study,GWAS)中的方法能否在全外显子测序数据中有良好的精确度,对于未来测序数据的挖掘有重要的意义。方法利用英国生物样本库(UK biobank,UKB)45万人全外显子测序数据,模拟不同病例占比、不同亲缘关系占比的数据集,采用BOLT-LMM,SAIGE,fastGWA-GLMM和REGENIE四种常见的关联性分析算法对各种情景下的数据集进行模拟试验,评价指标主要是一类错误、运行时间和内存占用。根据不同情景下模拟试验结果,寻找效果最优的方法。结果SAIGE和REGENIE在各种情况下均能较好的控制一类错误,计算效率也较高。面对亲缘关系占比高,亲缘关系复杂的数据时,fastGWA-GLMM表现较差。BOLT-LMM不适用于二元表型,不推荐用于实际工作。结论综合比较,基于广义混合模型的SAIGE和基于机器学习的REGENIE适用于二代测序数据关联性分析。
