المكاسب:
- القدرة على فهم تنسيق VCF، وتدوين HGVS (c./p./g.) ومعايير إمراضية ACMG وجعل الذكاء الاصطناعي ينتج مسودة أدلة
- القدرة على التحقق شخصيًا من كل دليل من أدلة ACMG (التكرار السكاني، في السيليكو، والفصل، والأدب) في مصادر مثل ClinVar وgnomAD
- القدرة على تطبيق مبادئ اكتشاف أخطاء نسخة الجينوم ونظام الإحداثيات وعدم ترك التصنيف المرضي النهائي للذكاء الاصطناعي
يختلف جينوم الفرد عن المرجع بملايين النقاط؛ معظم هذه الاختلافات غير ضارة ("حميدة")، وبعضها يسبب المرض ("ممرض"). تفسير المتغير هو مهمة تحديد الفئة التي يقع فيها الاختلاف وهو قلب علم الوراثة السريرية. في هذه الوحدة، ستتعلم كيفية استخدام الذكاء الاصطناعي (AI) كمساعد لجمع الأدلة وتلخيصها وصياغتها في التفسير المتنوع؛ لكنك سوف تتعلم لماذا يجب أن يخضع القرار النهائي بشأن مسببات المرض دائمًا لموافقة الخبراء.
تحذير بالغ الأهمية أولاً: اسأل الذكاء الاصطناعي "هل هذا المتغير مُمْرِض؟" لا تثق أبدًا في الإجابة المكونة من كلمة واحدة التي تسألها. يمكن للذكاء الاصطناعي أن يقول بثقة فئة دون دليل؛ يمكن أن يتناسب مع التكرار السكاني للمتغير أو السجلات السريرية السابقة أو الدراسات الوظيفية. النهج الصحيح هو استخدام الذكاء الاصطناعي لبناء إطار الأدلة والتحقق شخصيًا من كل جزء من الأدلة في المصدر الرئيسي.
المفاهيم الأساسية
- VCF (تنسيق الاتصال المتغير): تنسيق ملف قياسي يسرد المتغيرات في العينة؛ يحمل كل سطر الكروموسوم والموضع والقاعدة المرجعية والقاعدة البديلة ومعلومات الجودة.
- تدوين HGVS: تنسيق الكتابة القياسي مع المتغيرات. ج. موقعه في تسلسل الترميز، ص. تغيير البروتين، ز. يشير إلى الموقع الجينومي. على سبيل المثال NM_000546.6:c.743G>A وp.Arg248Gln.
- gnomAD: قاعدة بيانات تجمع الترددات المتغيرة لمئات الآلاف من الأشخاص؛ إنه يوضح مدى شيوع هذا البديل في المجتمع. المتغيرات الشائعة ليست مسببة للأمراض بشكل عام.
- ClinVar: قاعدة بيانات عامة تجمع التفسيرات السريرية للمتغيرات.
- معايير ACMG/AMP: نظام الأدلة الخاص بالكلية الأمريكية لعلم الوراثة الطبية الذي يقسم المتغير إلى خمس فئات: مسبب للأمراض، مسبب للأمراض المحتمل، متغير ذو أهمية غير مؤكدة (VUS)، ربما حميد، حميد.
رموز أدلة ACMG: خريطة مختصرة
يحدد نظام ACMG رموز الأدلة في الاتجاه الممرض (PVS، PS، PM، PP) وفي الاتجاه الحميد (BA، BS، BP)؛ هذه تأتي معا لتحديد الفصل. الذكاء الاصطناعي جيد في شرح ما تعنيه هذه الرموز، ولكن يجب عليك التحقق من البيانات التي تم تنفيذ التعليمات البرمجية عليها بالفعل.
الكود
المعنى (ملخص)
حيث للتأكد من المصدر
PVS1
أدلة قوية جدًا تؤدي إلى فقدان الوظيفة (مثل التوقف المبكر)
النص، المجال، العلاقة بين الجينات والأمراض
PS1/PS3
نفس الدراسة الوظيفية للأحماض الأمينية/الوظيفية مثل العوامل المسببة للأمراض المعروفة
ClinVar، مقالة وظيفية تمت مراجعتها من قبل النظراء
PM2
نادر جدًا/غير موجود في التجمعات السكانية
تردد جنوماد
PP3/BP4
التنبؤ الحسابي في الاتجاه الممرض / الحميد
أدوات التقدير (الإجماع)
بي ايه 1/ بي اس 1
التردد مرتفع جدًا بحيث لا يكون مسببًا للأمراض
تردد جنوماد
بي بي 6/ بي بي 5
(لم يعد مستحسنا) الاعتماد على تفسير شخص آخر
—
نصيحة: تعتمد قرارات PM2 (الندرة) وBA1/BS1 (الشائعة) مباشرة على تردد gnomAD وهي الأدلة الأكثر سهولة في التحقق منها. شاهد البديل أولاً على gnomAD؛ من المرجح أن المتغير السائد في أكثر من 1٪ من السكان ليس ممرضًا.
خطوة بخطوة: تفسير متغير بمساعدة الذكاء الاصطناعي
1. إصلاح البديل للتدوين القياسي. توضيح إصدار الجينوم، والنص، وتمثيل HGVS. البديل من منظمة العفو الدولية على حد سواء ج. كلاهما ص. كلاهما ز. ، ثم أكد ذلك باستخدام أداة التحقق (مثل VariantValidator).
2. اطلب من الذكاء الاصطناعي بناء إطار الأدلة. بالنسبة لكل رمز من رموز ACMG، "ما هي البيانات التي يجب أن أطلع عليها؟" اطلب من الذكاء الاصطناعي الإجابة على السؤال، ولكن لا تحدد الفصل الدراسي بعد.
3. التحقق من أي دليل في المصدر الأساسي. تردد gnomAD، وسجل ClinVar، والدراسة الوظيفية - افتحها واقرأها جميعًا بنفسك. تحقق من مطالبة الذكاء الاصطناعي "غير متوفرة في gnomAD" من خلال البحث عنها في gnomAD.
4. قم بدمج الرموز واستخراج الفصل. صياغة قواعد مجموعة ACMG مع الذكاء الاصطناعي؛ لكن دع الخبير يوافق على الفصل النهائي.
5. قم بالإبلاغ عن VUS بأمانة. إذا كانت الأدلة غير كافية، فإن الفئة هي "معنى غير مؤكد"؛ ومن الخطأ اعتبارها مسببة للأمراض أو حميدة.
ثلاث حالات صغيرة
الحالة 1 - التردد المصطنع. سأل أحد الخبراء الذكاء الاصطناعي عن تردد متغير gnomAD؛ قال الذكاء الاصطناعي: "0.002%". عندما بحث الخبير عن الأمر على gnomAD بنفسه، وجد أن تكرار المتغير كان 1.3% - مما يعني أن الدليل على BS1 (قوي في الاتجاه الحميد) كان صحيحًا وكان المتغير على الأرجح غير ضار. التردد المنخفض المُصطنع للذكاء الاصطناعي جعل المتغير يبدو نادرًا بشكل خاطئ.
الحالة 2 - دراسة وظيفية الشام. أراد أحد الباحثين تنفيذ PS3 (دليل وظيفي) لمتغير؛ أعطى الذكاء الاصطناعي مقالة مقنعة. وعندما بحث الباحث في PubMed، وجد أنه لا يوجد مثل هذه المقالة. الإسناد الكاذب من شأنه أن ينهار سلسلة الأدلة.
الحالة 3 - تم الحصول على التأكيد. أعاد مستشار الوراثة تقييم متغير "من المحتمل أن يكون مسببًا للأمراض" باستخدام الذكاء الاصطناعي. وأشار YZ إلى التعليقات المتضاربة المضافة حديثًا على ClinVar؛ افتتح المستشار ClinVar، ورأى أن مختبرين قد اكتشفا المتغير الموجود على VUS، وقام بتحديث التقرير. هنا، ساعدنا الذكاء الاصطناعي من خلال تذكيرنا بتحديث ربما لم يلاحظه أحد، ولكن مرة أخرى، اتخذ الإنسان القرار.
أربعة قوالب قابلة للنسخ
1) إنشاء إطار للأدلة (دون إجبار الفصل على الإخبار):
دورك: مساعد تفسير المتغيرات السريرية. قم بإعداد إطار أدلة ACMG/AMP للمتغير التالي: [إصدار الجينوم، النص، HGVS]. بالنسبة لكل رمز دليل محتمل (PVS1، PS1-4، PM1-6، PP1-5، BA1، BS1-4، BP1-7) "ما هي البيانات التي يجب أن أنظر إليها، وفي أي مصدر، لتطبيق ذلك؟" يكتب. لا تقل الفصل بعد؛ فقط قم بإدراج البيانات المطلوبة.
2) خطة تأكيد gnomAD/ClinVar:
اكتب خطوة بخطوة ما الذي يجب أن أبحث عنه بالضبط في gnomAD وClinVar للمتغير التالي: [variant]. اشرح عتبة تكرار السكان التي تتوافق مع رمز ACMG. أنت لا تشكل القيم. قل لي أين يمكن العثور عليه.
3) مخطط الفصل (وافقت عليه):
لقد قدمت الأدلة المؤكدة التالية: [PM2 موجود، PP3 موجود، BS1 غائب...]. قم بصياغة الفئة المحتملة والمبرر وفقًا لقواعد مجموعة ACMG. لا تتردد في قول "VUS" إذا كانت الأدلة غير كافية. سأوافق على القرار النهائي.
4) مسودة التقرير:
قم بترجمة التصنيف التالي إلى فقرة تقرير بلغة واضحة ومناسبة للمريض والطبيب: [البديل، الفئة، الدليل الرئيسي]. لا تبالغ في ادعاءات اليقين؛ إذا كان هناك عدم يقين، فاذكره بوضوح. الرجوع إلى أخصائي لاتخاذ القرار السريري.
موجه ضعيف / موجه قوي
ضعيف: "هل TP53 c.743G> مسبب للأمراض؟"
المشكلة: لا توجد نسخة/نسخة من الجينوم، ولا توجد أدلة مطلوبة، ويمكن للذكاء الاصطناعي فقط إخبار الفصل وتعويض التكرار.
Strong: "قم بإعداد إطار عمل إثبات ACMG لـ GRCh38، TP53 NM_000546.6:c.743G>A (p.Arg248Gln)؛ أخبرني ما الذي يجب أن أبحث عنه وفي أي مصدر لكل رمز، وتناسب القيمة، وقم بصياغة الفصل بعد التحقق من صحته."
لماذا هو قوي: السياق واضح، وطريق الأدلة مفتوح، ومجال التلفيق ضيق، والقرار في يد الشخص.
الأخطاء الشائعة
- الاعتماد على الإجابة المرضية المكونة من كلمة واحدة. فئة معينة دون سلسلة من الأدلة لا قيمة لها.
- عدم التحقق من التكرار والإسناد. يمكن تكييف تردد gnomAD واستشهادات المقالات؛ افتحه بنفسك.
- تجنب VUS. إن قول "ممرض/حميد" عندما تكون الأدلة غير كافية هو خطأ سريري.
- نسخة الجينوم / خلط النص. نسخة غير صحيحة، غير صحيحة ج. يعني الموقع.
- تخطي تحديث ClinVar. تتغير التفسيرات مع مرور الوقت. التحقق من السجل الأحدث.
تحذير: يعتمد الجمع بين رموز ACMG على القواعد ولكنه يتطلب حكم الخبراء؛ قد تحمل نفس الأدلة وزنًا مختلفًا في سياقات مختلفة للأمراض الجينية. إن الجمع بين الذكاء الاصطناعي هو مخطط وليس الكلمة النهائية.
العمق: قراءة خط VCF وعتبات التردد بشكل صحيح
حتى سطر واحد في ملف VCF يحتوي على العديد من المخاطر. مثال على السطر: 43091983 17 . G A 60 PASS AF=0.0003;DP=45 GT:AD 0/1:22,23. يمكنك مطالبة الذكاء الاصطناعي بشرح الحقول هنا، لكن قم بتأكيد النقاط الثلاث بنفسك. أولاً، ما هو إصدار الجينوم الذي ينتمي إليه زوج موضع الكروموسوم؟ يظهر نفس المتغير في موقع مختلف في GRCh37 وGRCh38؛ بدون تحديد الإصدار، الموقع لا معنى له. والثاني هو مجال GT (النمط الوراثي): 0/1 متخالف، 1/1 متماثل؛ في المرض المتنحي، لا يعد وجود متغير واحد متغاير الزيجوت وحده تفسيرًا. ثالثًا، DP (عمق القراءة) وAD (عمق الأليل): العمق المنخفض (على سبيل المثال، DP=8) يجعل استدعاء المتغير موضع شك؛ قد تكون هذه التقنية إيجابية كاذبة. يشرح الذكاء الاصطناعي هذه المجالات بشكل رسمي، ولكن "هل هذه الدعوة موثوقة؟" القرار لك.
مثال ملموس على عتبات التكرار: أراد أحد الخبراء تطبيق PM2 (الندرة) على متغير لمرض نادر ذو وراثة متنحية. قال الذكاء الاصطناعي: "gnomAD لا يمتلكه، PM2 بالتأكيد." عندما فتح الخبير gnomAD، وجد أن المتغير كان له تردد بنسبة 0.8% في مجموعة سكانية فرعية، وهي نسبة عالية بما يكفي لاستبعاد PM2، نظرًا لانتشار المرض. من الأخطاء الشائعة النظر إلى إجمالي عدد السكان وتخطي المجموعات السكانية الفرعية.
تردد الأليل (السكان)
تعليق ACMG النموذجي
ملاحظة
لا يوجد / نادر جداً
يمكن أن تدعم PM2
انظر أيضًا إلى المجموعات السكانية الفرعية
أعلى من انتشار المرض
BS1 (حميد قوي)
التمييز المتنحي / السائد مهم
أعلى من 5%
BA1 (حميدة مستقلة)
يكاد يكون من المؤكد أنها غير ضارة
5) قالب التحكم في خط VCF:
اشرح حقل سطر VCF التالي حسب الحقل، ولكن لا تصدر حكمًا على الموثوقية: قم بتفسير نسخة الجينوم، وحقول GT (الزيجوستية)، وDP، وAD بشكل منفصل. قم بإدراج الحالات التي قد تكون فيها هذه المكالمة موضع شك من الناحية الفنية. السطر: [لصق].
باختصار
- التفسير المتغير مبني على الأدلة. يتمتع الذكاء الاصطناعي بقدرة قوية على صياغة الأدلة وتلخيصها، لكن القرار الفصلي يعود للخبير.
- يجب التحقق من أي دليل (تردد gnomAD، وتسجيل ClinVar، والدراسة الوظيفية) شخصيًا في المصدر الأساسي.
- إصلاح المتغير حسب إصدار الجينوم والنص وHGVS؛ تأكيد مع المدقق.
- إذا كانت الأدلة غير كافية، فإن الإجابة الصادقة هي "أهمية غير مؤكدة (VUS)."
مهمة التطبيق
اختر متغير مثال (على سبيل المثال، سجل معروف من ClinVar). اطلب من الذكاء الاصطناعي بناء إطار الأدلة باستخدام النموذجين 1 و2 أعلاه. ثم افتح تردد gnomAD وقم بتعليق ClinVar بنفسك وقارنها بادعاءات الذكاء الاصطناعي. لاحظ ما إذا كان هناك فرق بين الذكاء الاصطناعي والمصدر في دليل واحد على الأقل وقم بتبرير الفئة المحتملة بنفسك.
قائمة مرجعية
- [ ] لقد قمت بإصلاح المتغير باستخدام إصدار الجينوم والنص وHGVS.
- [ ] لقد قمت بإعداد إطار الإثبات، ولم أجعل الذكاء الاصطناعي يقول الفصل من البداية.
- [ ] لقد قمت شخصيا بفحص تردد gnomAD.
- [ ] لقد قمت بتأكيد تسجيل ClinVar وتحديثه.
- [ ] لقد قمت بالتحقق من الاستشهادات الخاصة بالدراسة الوظيفية في PubMed.
- [ ] إذا كانت الأدلة غير كافية، لم أتردد في قول VUS ووافقت على القرار بنفسي.