Enheder
1. Introduktion til kunstig intelligens i molekylærbiologi og genetik: roller, grænser, validering, etik og privatliv 2. DNA/RNA-sekvensanalyse: justering, motiv, åben læseramme og grundlæggende bioinformatik 3. Variantfortolkning: Patogenicitet efter VCF, HGVS-betegnelse og ACMG-kriterier 4. Proteinstruktur og AlphaFold: Forudsigelse af læsestruktur, tillidsscore og validering 5. CRISPR Design Support: gRNA-selektion, Off-Target-effekt og eksperimentel validering 6. Omics dataanalyse: RNA-seq, ekspression, statistik og pathway berigelse 7. Litteraturgennemgang og videnskabelig skrivning: Kildebekræftelse og risikoen for falske citater 8. Klinisk fortolkning: Rapportering, ekspertgodkendelse, validering og grænser 9. Disciplinen af hallucination og autentificering: sammensatte gener, sekvenser, varianter og tilskrivninger 10. Etik, privatliv og databeskyttelse: Særligt ansvar for genetiske data 11. End-to-end case: En variants rejse fra opdagelse til klinisk rapport
Enhed 3 / 11

Variantfortolkning: Patogenicitet efter VCF, HGVS-betegnelse og ACMG-kriterier

Gevinster:

  • Evne til at forstå VCF-formatet, HGVS-notation (c./p./g.) og ACMG-patogenicitetskriterier og have kunstig intelligens til at fremstille et bevisudkast
  • Evne til personligt at verificere hvert ACMG-bevis (befolkningsfrekvens, i silico, segregation, litteratur) i kilder som ClinVar og gnomAD
  • Evne til at anvende principperne om at fange genomversioner og koordinere systemfejl og ikke overlade den endelige patogenicitetsklassificering til kunstig intelligens

Et individs genom adskiller sig fra referencen på millioner af punkter; De fleste af disse forskelle er harmløse ("godartede"), nogle få forårsager sygdom ("patogen"). Variantfortolkning er opgaven med at afgøre, hvilken klasse en forskel falder ind under og er hjertet i klinisk genetik. I denne enhed lærer du, hvordan du bruger kunstig intelligens (AI) som en assistent til indsamling, opsummering og udarbejdelse af beviser i variantfortolkning; men du vil lære, hvorfor den endelige patogenicitetsbeslutning altid skal være underlagt ekspertgodkendelse.

Kritisk advarsel først: Spørg AI "er denne variant patogen?" Stol aldrig på det svar på et ord, du spørger. AI kan trygt sige en klasse uden beviser; kan passe til populationshyppigheden af ​​en variant, tidligere kliniske optegnelser eller funktionelle undersøgelser. Den korrekte tilgang er at bruge AI til at opbygge bevisrammerne og personligt verificere hvert bevis ved den primære kilde.

Grundlæggende begreber

  • VCF (Variant Call Format): Standard filformat, der viser varianter i en prøve; Hver linje bærer information om kromosom, position, referencebase, alternativ base og kvalitet.
  • HGVS notation: Standard skriveformat med varianter. c. dens position i kodningssekvensen, s. proteinændring, g. Angiver genomisk placering. For eksempel NM_000546.6:c.743G>A og p.Arg248Gln.
  • gnomAD: Database, der indsamler varianter af frekvenser for hundredtusindvis af mennesker; Det viser, hvor almindelig en variant er i samfundet. Almindelige varianter er generelt ikke sygdomsfremkaldende.
  • ClinVar: Offentlig database, der indsamler kliniske fortolkninger af varianter.
  • ACMG/AMP-kriterier: American College of Medical Genetics' bevissystem, der opdeler en variant i fem klasser: Pathogenic, Likely Pathogenic, Variant of Uncertain Significance (VUS), Possibly Benign, Benign.

ACMG beviskoder: et kort kort

ACMG-systemet definerer beviskoder i den patogene retning (PVS, PS, PM, PP) og i den benigne retning (BA, BS, BP); Disse samles for at bestemme klassen. AI er god til at forklare, hvad disse koder betyder, men du skal verificere dataene om, hvilken kode der faktisk er implementeret.

Kode

Betydning (resumé)

Hvor skal kilden bekræftes

PVS1

Meget stærke beviser, der fører til funktionstab (f.eks. tidlig seponering)

Transskription, domæne, gen-sygdomsforhold

PS1/PS3

Samme aminosyre/funktionel undersøgelse som kendt patogen

ClinVar, peer-reviewed funktionel artikel

PM2

Meget sjælden/ikke til stede i populationer

GnomAD frekvens

PP3/BP4

Beregningsforudsigelse i patogen/godartet retning

Estimationsværktøjer (konsensus)

BA1/BS1

Hyppigheden er for høj til at være patogen

GnomAD frekvens

BP6/PP5

(Anbefales ikke længere) at stole på en andens fortolkning

—

Tip: PM2 (sjældenhed) og BA1/BS1 (almindelige) beslutninger er baseret direkte på gnomAD frekvens og er det lettest verificerede bevis. Se en variant først på gnomAD; En variant, der er udbredt i mere end 1% af befolkningen, er højst sandsynligt ikke patogen.

Trin for trin: AI-assisteret variantfortolkning

1. Fix variant til standardnotation. Afklar genomversion, transkript og HGVS-repræsentation. Variant fra AI begge c. begge s. både g. , og bekræft det derefter med en validator (som VariantValidator).

2. Få AI til at bygge evidensrammen. For hver ACMG-kode, "hvilke data skal jeg se på?" Få AI'en til at svare på spørgsmålet - men angiv ikke klassen endnu.

3. Bekræft eventuelle beviser ved den primære kilde. gnomAD-frekvens, ClinVar-rekord, funktionel undersøgelse — åbn og læs dem alle selv. Tjek AI's "ikke tilgængelig i gnomAD" påstand ved at søge efter det i gnomAD.

4. Kombiner koderne og udtræk klassen. Udkast til ACMG-kombinationsregler med AI; Men lad eksperten godkende den sidste klasse.

5. Anmeld VUS ærligt. Hvis beviserne er utilstrækkelige, er klassen "Usikker betydning"; Det er en fejl at skubbe det som sygdomsfremkaldende eller godartet.

tre minisager

Tilfælde 1 — Sammensat frekvens. En ekspert spurgte AI om hyppigheden af ​​en variant gnomAD; "0,002%," sagde AI. Da eksperten selv slog det op på gnomAD, fandt han ud af, at frekvensen af ​​varianten var 1,3 % - hvilket betyder, at beviset for BS1 (stærkt i den godartede retning) var gyldigt, og at varianten højst sandsynligt var harmløs. AI's fremstillede lave frekvens fik varianten til at fremstå som sjælden.

Case 2—Sham funktionel undersøgelse. En forsker ønskede at implementere PS3 (funktionelt bevis) for en variant; AI gav en overbevisende artikelbyline. Da forskeren søgte på PubMed, fandt han ud af, at der ikke var en sådan artikel. Falsk tilskrivning ville kollapse kæden af ​​beviser.

Sag 3 — Bekræftelse opnået. En genetisk rådgiver revurderede en "muligvis patogen" variant med AI. YZ påpegede de nyligt tilføjede modstridende kommentarer til ClinVar; Konsulenten åbnede ClinVar, så, at to laboratorier havde opdaget varianten på VUS, og opdaterede rapporten. Her hjalp AI ved at minde os om en opdatering, der måske er gået ubemærket hen - men igen tog mennesket beslutningen.

Fire kopierbare skabeloner

1) Etablering af en bevisramme (uden at få klassen til at fortælle):

Din rolle: Klinisk variant tolkningsassistent. Opsæt ACMG/AMP-bevisrammen for følgende variant: [genomversion, transskription, HGVS]. For hver mulig beviskode (PVS1, PS1-4, PM1-6, PP1-5, BA1, BS1-4, BP1-7) "hvilke data skal jeg se på, i hvilken kilde, for at anvende dette?" Skrive. Sig ikke klassen ENDNU; bare angiv hvilke data der kræves.

2) GnomAD/ClinVar bekræftelsesplan:

Skriv trin for trin, hvad jeg præcist skal kigge efter i gnomAD og ClinVar for følgende variant: [variant]. Forklar hvilken populationsfrekvenstærskel der svarer til hvilken ACMG-kode. Du opgør ikke værdierne; fortæl mig, hvor jeg kan finde det.

3) Klasseoversigt (godkendt af mig):

Jeg gav følgende verificerede beviser: [PM2 er til stede, PP3 er til stede, BS1 er fraværende ...]. Udkast til den mulige klasse og begrundelse i henhold til ACMG-kombinationsreglerne. Sig gerne "VUS", hvis beviserne er utilstrækkelige. Jeg vil godkende den endelige beslutning.

4) Rapportudkast:

Oversæt følgende klassifikation til et rapportafsnit i almindeligt sprog, der passer til patienten og lægen: [variant, klasse, nøglebevis]. Overdriv ikke påstande om sikkerhed; hvis der er usikkerhed, angiv det tydeligt. Henvis til specialist for klinisk beslutning.

Svag prompt / Stærk prompt

Svag: "Er TP53 c.743G>A patogen?"

Problem: Ingen genomversion/transskription, ingen dokumentation påkrævet, AI kan bare fortælle klassen og opgøre frekvensen.

Stærk: "Opsæt ACMG-bevisrammen for GRCh38, TP53 NM_000546.6:c.743G>A (s.Arg248Gln); fortæl mig, hvad jeg skal kigge efter i hvilken kilde for hver kode, værditilpasning, udkast til klassen, efter jeg har valideret den."

Hvorfor det er kraftfuldt: Konteksten er klar, bevisvejen er åben, fabrikationsfeltet er indsnævret, beslutningen ligger i personens hænder.

Almindelige fejl

  • Stoler på et-ords patogenicitetssvar. En given klasse uden en kæde af beviser er værdiløs.
  • Manglende bekræftelse af hyppighed og tilskrivning. gnomAD-frekvens og artikelhenvisninger kan tilpasses; Åbn den selv.
  • Undgå VUS. At sige "patogen/godartet", når evidensen er utilstrækkelig, er en klinisk fejl.
  • Genom-version/transskriptionsblanding. Forkert afskrift, forkert c. Det betyder beliggenhed.
  • Springer over ClinVar-opdatering. Fortolkninger ændrer sig over tid; Tjek den seneste post.
Forsigtig: Kombination af ACMG-koder er regelbaseret, men kræver ekspertvurdering; Det samme bevis kan have forskellig vægt i forskellige gen-sygdomssammenhænge. Kombinationen af ​​AI er en plan, ikke det sidste ord.

Dybde: korrekt aflæsning af en VCF-linje og frekvenstærskler

Selv en enkelt linje i en VCF-fil indeholder mange faldgruber. Et eksempel på linje: 17 43091983 . G A 60 PASS AF=0,0003;DP=45 GT:AD 0/1:22,23. Du kan få AI til at forklare felterne her, men bekræft tre punkter selv. For det første, hvilken genomversion tilhører kromosompositionsparret? Den samme variant optræder på et andet sted i GRCh37 og GRCh38; Uden at angive versionen er placering meningsløs. Det andet er GT-domænet (genotype): 0/1 heterozygot, 1/1 homozygot; Ved en recessiv sygdom er en enkelt heterozygot variant alene ikke forklarende. For det tredje, DP (læsedybde) og AD (alleldybde): lav dybde (f.eks. DP=8) gør et variantkald tvivlsomt; Teknikken kan være en falsk positiv. AI forklarer disse felter formelt, men "er dette opkald pålideligt?" Beslutningen er din.

Et konkret eksempel på frekvenstærskler: en ekspert ønskede at anvende PM2 (sjældenhed) på en variant for en sjælden sygdom med recessiv arv. Kunstig intelligens sagde, "gnomAD har det ikke, PM2 helt sikkert." Da eksperten åbnede gnomAD, fandt han ud af, at varianten havde en frekvens på 0,8 % i en subpopulation - høj nok til at udelukke PM2, givet sygdommens udbredelse. En almindelig fejl er at se på den overordnede befolkningsfrekvens og springe delpopulationer over.

Allelfrekvens (population)

Typisk ACMG-kommentar

bemærk

Ingen / meget sjælden

Kan understøtte PM2

Se også på delpopulationer

Højere end sygdomsprævalens

BS1 (godartet stærk)

Den recessive/dominante skelnen er vigtig

højere end 5 %

BA1 (uafhængig godartet)

Næsten helt sikkert harmløst

5) VCF linje kontrol skabelon:

Forklar følgende VCF-linje felt for felt, men lav ikke en pålidelighedsvurdering: fortolk genomversionen, GT (zygositet), DP- og AD-felter separat. Angiv tilfælde, hvor dette opkald kan være teknisk tvivlsomt. Linje: [indsæt].

Sammenfattende

  • Variantfortolkning er evidensbaseret; AI er stærk til at udforme og opsummere beviser, men klassens beslutning er op til eksperten.
  • Ethvert bevis (gnomAD-frekvens, ClinVar-registrering, funktionel undersøgelse) skal være personligt verificeret ved den primære kilde.
  • Fix varianten efter genomversion, transkript og HGVS; Bekræft med en verifikator.
  • Hvis beviserne er utilstrækkelige, er det ærlige svar "Uncertain Significance (VUS)."

Ansøgningsopgave

Vælg en eksempelvariant (f.eks. en velkendt plade fra ClinVar). Få AI til at bygge bevisrammen med skabelon 1 og 2 ovenfor. Åbn derefter gnomAD-frekvensen, og ClinVar kommenterer selv og sammenlign dem med AI-kravene. Bemærk, om der er forskel mellem AI og kilden i mindst ét ​​bevis, og begrund selv den mulige klasse.

tjekliste

  • [ ] Jeg fikserede varianten med genomversion, transkript og HGVS.
  • [ ] Jeg satte bevisrammen op, jeg fik ikke AI’en til at sige klassen fra begyndelsen.
  • [ ] Jeg tjekkede personligt gnomAD-frekvensen.
  • [ ] Jeg har bekræftet ClinVar-registreringen og opdateringen.
  • [ ] Jeg verificerede funktionelle undersøgelsescitater i PubMed.
  • [ ] Hvis beviserne var utilstrækkelige, tøvede jeg ikke med at sige VUS og godkendte selv afgørelsen.
Tidligere Næste