Печалби:
- Способност за разбиране на VCF формата, HGVS нотация (c./p./g.) и критерии за патогенност на ACMG и създаване на чернова на доказателство чрез изкуствен интелект
- Възможност за лична проверка на всяко ACMG доказателство (популационна честота, in silico, сегрегация, литература) в източници като ClinVar и gnomAD
- Възможност за прилагане на принципите за улавяне на версията на генома и грешките в координатната система и не оставяне на окончателната класификация на патогенността на изкуствения интелект
Геномът на индивида се различава от референтния в милиони точки; Повечето от тези различия са безобидни („доброкачествени“), някои причиняват заболяване („патогенни“). Вариантното тълкуване е задачата да се реши в кой клас попада разликата и е сърцето на клиничната генетика. В този модул ще научите как да използвате изкуствения интелект (AI) като помощник за събиране на доказателства, обобщаване и изготвяне на варианти при тълкуване на варианти; но ще научите защо окончателното решение за патогенност винаги трябва да подлежи на експертно одобрение.
Първо критично предупреждение: Попитайте AI "този вариант патогенен ли е?" Никога не се доверявайте на еднословния отговор, който задавате. AI може уверено да каже клас без доказателства; може да отговаря на популационната честота на вариант, предишни клинични записи или функционални проучвания. Правилният подход е да се използва AI за изграждане на рамката на доказателствата и лично да се провери всяко доказателство в първичния източник.
Основни понятия
- VCF (Формат за извикване на варианти): Стандартен файлов формат, който изброява варианти в извадка; Всеки ред носи хромозома, позиция, референтна база, алтернативна база и информация за качеството.
- HGVS нотация: Стандартен формат за писане с варианти. c. неговата позиция в кодиращата последователност, p. промяна на протеина, g. Показва геномно местоположение. Например NM_000546.6:c.743G>A и p.Arg248Gln.
- gnomAD: База данни, събираща различни честоти на стотици хиляди хора; Това показва колко разпространен е даден вариант в обществото. Често срещаните варианти обикновено не са патогенни.
- ClinVar: Публична база данни, събираща клинични интерпретации на варианти.
- Критерии на ACMG/AMP: Системата от доказателства на Американския колеж по медицинска генетика, която разделя варианта на пет класа: патогенен, вероятно патогенен, вариант с неопределено значение (VUS), вероятно доброкачествен, доброкачествен.
ACMG кодове за доказателства: кратка карта
Системата ACMG дефинира кодове на доказателства в патогенна посока (PVS, PS, PM, PP) и в доброкачествена посока (BA, BS, BP); Те се събират, за да определят класа. AI е добър в обяснението какво означават тези кодове, но трябва да проверите данните за това кой код действително е внедрен.
Код
Значение (резюме)
Къде да проверите източника
PVS1
Много убедителни доказателства, водещи до загуба на функция (напр. ранно прекъсване)
Транскрипт, домейн, връзка ген-болест
PS1/PS3
Същата аминокиселина/функционално изследване като известно патогенно
ClinVar, рецензирана функционална статия
PM2
Много рядко/не присъства в популациите
gnomAD честота
PP3/BP4
Изчислителна прогноза в патогенна/доброкачествена посока
Инструменти за оценка (консенсус)
BA1/BS1
Честотата е твърде висока, за да бъде патогенна
gnomAD честота
BP6/PP5
(Вече не се препоръчва) разчитане на чужда интерпретация
—
Съвет: Решенията за PM2 (рядкост) и BA1/BS1 (обичайност) се основават директно на честотата на gnomAD и са най-лесно проверените доказателства. Вижте първо вариант на gnomAD; Вариант, преобладаващ в повече от 1% от населението, най-вероятно не е патогенен.
Стъпка по стъпка: Тълкуване на варианти с помощта на AI
1. Коригирайте варианта към стандартната нотация. Изяснете версията на генома, преписа и представянето на HGVS. Вариант от AI и двете c. двете p. и двете g. , след това го потвърдете с валидатор (като VariantValidator).
2. Накарайте AI да изгради рамката на доказателствата. За всеки ACMG код, „какви данни трябва да гледам?“ Накарайте изкуствения интелект да отговори на въпроса, но все още не уточнявайте класа.
3. Проверете всички доказателства в първичния източник. gnomAD честота, ClinVar запис, функционално изследване — отворете и ги прочетете сами. Проверете твърдението на AI „не е налично в gnomAD“, като го потърсите в gnomAD.
4. Комбинирайте кодовете и извлечете класа. Проект на правила за комбиниране на ACMG с AI; Но нека експертът да одобри окончателния клас.
5. Докладвайте VUS честно. Ако доказателствата са недостатъчни, класът е „Несигурно значение“; Грешка е да го пробутваме като патогенен или доброкачествен.
три мини калъфа
Случай 1 — Направена честота. Експерт попита AI за честотата на вариант gnomAD; „0,002%“, каза AI. Когато експертът го потърси в gnomAD, той установи, че честотата на варианта е 1,3% — което означава, че доказателствата за BS1 (силни в доброкачествена посока) са валидни и вариантът най-вероятно е безвреден. Изфабрикуваната от AI ниска честота направи варианта лъжливо да изглежда рядък.
Случай 2 — Фиктивно функционално изследване. Изследовател искаше да внедри PS3 (функционално доказателство) за вариант; AI даде убедителна авторска статия. Когато изследователят търси в PubMed, той установява, че няма такава статия. Фалшивото приписване би сринало веригата от доказателства.
Случай 3 — Получено потвърждение. Генетичен съветник преоцени „възможно патогенен“ вариант с AI. YZ посочи новодобавените противоречиви коментари за ClinVar; Консултантът отвори ClinVar, видя, че две лаборатории са открили варианта на VUS и актуализира отчета. Тук AI помогна, като ни напомни за актуализация, която може да е останала незабелязана - но отново човекът взе решението.
Четири копируеми шаблона
1) Създаване на рамка за доказателства (без да караме класа да казва):
Вашата роля: асистент по тълкуване на клинични варианти. Настройте ACMG/AMP доказателствена рамка за следния вариант: [геномна версия, транскрипт, HGVS]. За всеки възможен доказателствен код (PVS1, PS1-4, PM1-6, PP1-5, BA1, BS1-4, BP1-7) „какви данни трябва да разгледам, в кой източник, за да приложа това?“ Пишете. Не казвайте класа ОЩЕ; просто избройте какви данни са необходими.
2) план за потвърждение на gnomAD/ClinVar:
Напишете стъпка по стъпка какво точно трябва да търся в gnomAD и ClinVar за следния вариант: [variant]. Обяснете кой праг на честотата на популацията съответства на кой ACMG код. Вие не измисляте стойностите; кажи ми къде да го намеря.
3) План на класа (одобрен от мен):
Дадох следните проверени доказателства: [PM2 е налице, PP3 е налице, BS1 отсъства ...]. Начертайте възможния клас и обосновка според правилата за комбинация на ACMG. Чувствайте се свободни да кажете "VUS", ако доказателствата са недостатъчни. Ще одобря окончателното решение.
4) Проект на доклад:
Преведете следната класификация в параграф на доклада на ясен език, подходящ за пациента и лекаря: [вариант, клас, ключово доказателство]. Не преувеличавайте твърденията за сигурност; ако има несигурност, кажете я ясно. Обърнете се към специалист за клинично решение.
Слаба подкана / Силна подкана
Слаб: „TP53 c.743G>A патогенен ли е?“
Проблем: Няма версия/препис на генома, не се изискват доказателства, AI може просто да каже на класа и да компенсира честотата.
Силно: „Настройте рамката за доказване на ACMG за GRCh38, TP53 NM_000546.6:c.743G>A (p.Arg248Gln); кажете ми какво да търся в кой източник за всеки код, напасване на стойност, проект на класа, след като го валидирам.“
Защо е мощен: Контекстът е ясен, пътят на доказателствата е отворен, полето за фабрикуване е стеснено, решението е в ръцете на човека.
Често срещани грешки
- Разчитайки на отговора с една дума патогенност. Даден клас без верига от доказателства е безполезен.
- Неуспешна проверка на честотата и приписването. gnomAD честотата и цитатите на статиите могат да бъдат адаптирани; Отворете го сами.
- Избягване на VUS. Да се каже "патогенно/доброкачествено", когато доказателствата са недостатъчни, е клинична грешка.
- Геномна версия/транскрипт разбъркване. Неправилен препис, неправилно c. Това означава местоположение.
- Пропускане на актуализацията на ClinVar. Тълкуванията се променят с времето; Проверете най-актуалния запис.
Внимание: Комбинирането на ACMG кодове се основава на правила, но изисква експертна преценка; Едно и също доказателство може да има различна тежест в различни контексти на генно заболяване. Комбинацията от AI е план, а не последната дума.
Дълбочина: правилно четене на VCF линия и честотни прагове
Дори един ред във VCF файл съдържа много клопки. Примерен ред: 17 43091983. G A 60 PASS AF=0,0003;DP=45 GT:AD 0/1:22,23. Можете да накарате изкуствения интелект да обясни полетата тук, но потвърдете сами три точки. Първо, към коя версия на генома принадлежи двойката позиция на хромозомата? Същият вариант се появява на различно място в GRCh37 и GRCh38; Без уточняване на версията местоположението е безсмислено. Вторият е GT (генотип) домейн: 0/1 хетерозиготни, 1/1 хомозиготни; При рецесивно заболяване единичен хетерозиготен вариант сам по себе си не е обяснителен. Трето, DP (дълбочина на четене) и AD (дълбочина на алела): ниска дълбочина (напр. DP=8) прави извикването на вариант съмнително; Техниката може да е фалшиво положителна. AI обяснява тези полета формално, но „надеждно ли е това обаждане?“ Решението е твое.
Конкретен пример за честотни прагове: експерт искаше да приложи PM2 (рядкост) към вариант за рядко заболяване с рецесивно наследяване. Изкуственият интелект каза: "gnomAD го няма, PM2 със сигурност." Когато експертът отвори gnomAD, той установи, че вариантът има честота от 0,8% в субпопулация - достатъчно висока, за да изключи PM2, като се има предвид разпространението на болестта. Често срещана грешка е да се разглежда общата честота на популацията и да се пропускат субпопулациите.
Честота на алелите (популация)
Типичен коментар на ACMG
бележка
Няма/много рядко
Може да поддържа PM2
Вижте също субпопулациите
По-високо от разпространението на болестта
BS1 (доброкачествено силно)
Разграничението рецесивно/доминантно е важно
по-висок от 5%
BA1 (независим доброкачествен)
Почти със сигурност безвреден
5) Шаблон за управление на VCF линия:
Обяснете следния VCF ред поле по поле, но не правете преценка за надеждността: интерпретирайте поотделно версията на генома, GT (зиготност), полетата DP и AD. Избройте случаи, при които това обаждане може да е технически съмнително. Ред: [поставяне].
В обобщение
- Вариантното тълкуване се основава на доказателства; AI е мощен в рамкирането и обобщаването на доказателства, но решението за класа зависи от експерта.
- Всяко доказателство (честота на gnomAD, регистрация на ClinVar, функционално изследване) трябва да бъде лично потвърдено при първичния източник.
- Коригирайте варианта по версия на генома, транскрипт и HGVS; Потвърдете с верификатор.
- Ако доказателствата са недостатъчни, честният отговор е „Несигурно значение (VUS)“.
Задача за приложение
Изберете примерен вариант (напр. добре познат запис от ClinVar). Накарайте AI да изгради рамката на доказателствата с шаблони 1 и 2 по-горе. След това отворете честотата на gnomAD и ClinVar коментирайте сами и ги сравнете с твърденията на AI. Обърнете внимание дали има разлика между AI и източника в поне едно доказателство и обосновете сами възможния клас.
контролен списък
- [ ] Поправих варианта с версия на генома, транскрипт и HGVS.
- [ ] Настроих рамката за доказване, не накарах AI да казва класа от самото начало.
- [ ] Лично проверих честотата на gnomAD.
- [ ] Потвърдих регистрацията и актуалността на ClinVar.
- [ ] Проверих цитиранията на функционални проучвания в PubMed.
- [ ] Ако доказателствата бяха недостатъчни, аз не се поколебах да кажа VUS и лично одобрих решението.