Ganancias:
- Capacidad para comprender el formato VCF, la notación HGVS (c./p./g.) y los criterios de patogenicidad del ACMG y hacer que la inteligencia artificial produzca un borrador de evidencia.
- Capacidad para verificar personalmente cada evidencia de ACMG (frecuencia de población, in silico, segregación, literatura) en fuentes como ClinVar y gnomAD.
- Capacidad para aplicar los principios de detectar la versión del genoma y los errores del sistema de coordenadas y no dejar la clasificación final de patogenicidad a la inteligencia artificial.
El genoma de un individuo difiere del de referencia en millones de puntos; La mayoría de estas diferencias son inofensivas (“benignas”), algunas causan enfermedades (“patógenas”). La interpretación de variantes es la tarea de decidir en qué clase cae una diferencia y es el corazón de la genética clínica. En esta unidad, aprenderá a utilizar la inteligencia artificial (IA) como asistente para recopilar, resumir y redactar pruebas en interpretaciones variantes; pero aprenderá por qué la decisión final sobre patogenicidad siempre debe estar sujeta a la aprobación de expertos.
Primero, advertencia crítica: pregúntele a la IA "¿esta variante es patógena?" Nunca confíes en la respuesta de una sola palabra que pides. La IA puede decir con confianza una clase sin evidencia; puede ajustarse a la frecuencia poblacional de una variante, historias clínicas previas o estudios funcionales. El enfoque correcto es utilizar la IA para construir el marco de evidencia y verificar personalmente cada pieza de evidencia en la fuente primaria.
Conceptos básicos
- VCF (Formato de llamada de variante): formato de archivo estándar que enumera variantes en una muestra; Cada línea lleva cromosoma, posición, base de referencia, base alternativa e información de calidad.
- Notación HGVS: formato de escritura estándar con variantes. do. su posición en la secuencia codificante, p. cambio de proteínas, g. Indica ubicación genómica. Por ejemplo NM_000546.6:c.743G>A y p.Arg248Gln.
- gnomAD: base de datos que recopila frecuencias variantes de cientos de miles de personas; Muestra cuán común es una variante en la sociedad. Las variantes comunes generalmente no son patógenas.
- ClinVar: base de datos pública que recopila interpretaciones clínicas de variantes.
- Criterios ACMG/AMP: sistema de evidencia del Colegio Americano de Genética Médica que divide una variante en cinco clases: patógena, probablemente patógena, variante de significado incierto (VUS), posiblemente benigna, benigna.
Códigos de evidencia del ACMG: un breve mapa
El sistema ACMG define códigos de evidencia en la dirección patogénica (PVS, PS, PM, PP) y en la dirección benigna (BA, BS, BP); Estos se unen para determinar la clase. La IA es buena para explicar lo que significan estos códigos, pero debes verificar los datos sobre qué código se implementa realmente.
Código
Significado (resumen)
Dónde verificar la fuente
PVS1
Evidencia muy sólida que conduce a la pérdida de función (por ejemplo, interrupción temprana)
Transcripción, dominio, relación gen-enfermedad.
PS1/PS3
Mismo aminoácido/estudio funcional que patógeno conocido
ClinVar, artículo funcional revisado por pares
PM2
Muy raro/no presente en las poblaciones
frecuencia gnomAD
PP3/BP4
Predicción computacional en dirección patogénica/benigna.
Herramientas de estimación (consenso)
BA1/BS1
Frecuencia demasiado alta para ser patógena
frecuencia gnomAD
BP6/PP5
(Ya no se recomienda) confiar en la interpretación de otra persona
—
Consejo: Las decisiones sobre PM2 (rareza) y BA1/BS1 (común) se basan directamente en la frecuencia de gnomAD y son la evidencia más fácil de verificar. Vea primero una variante en gnomAD; Una variante que prevalece en más del 1% de la población probablemente no sea patógena.
Paso a paso: interpretación de variantes asistida por IA
1. Corregir la variante a la notación estándar. Aclare la versión del genoma, la transcripción y la representación de HGVS. Variante de AI ambos c. ambos pág. ambos g. , luego confírmelo con un validador (como VariantValidator).
2. Haga que la IA construya el marco de evidencia. Para cada código ACMG, "¿qué datos debo mirar?" Haga que la IA responda la pregunta, pero no especifique la clase todavía.
3. Verificar cualquier evidencia en la fuente primaria. Frecuencia de gnomAD, registro de ClinVar, estudio funcional: ábrelos y léelos todos tú mismo. Verifique la afirmación de AI "no disponible en gnomAD" buscándola en gnomAD.
4. Combine los códigos y extraiga la clase. Borrador de reglas de combinación de ACMG con IA; Pero deja que el experto apruebe la clase final.
5. Reportar VUS honestamente. Si la evidencia es insuficiente, la clase es "Significado incierto"; Es un error considerarlo patógeno o benigno.
tres mini casos
Caso 1: Frecuencia inventada. Un experto preguntó a AI sobre la frecuencia de una variante de gnomAD; “0,002%”, dijo la IA. Cuando el propio experto buscó en gnomAD, descubrió que la frecuencia de la variante era del 1,3%, lo que significa que la evidencia de BS1 (fuerte en la dirección benigna) era válida y que la variante probablemente era inofensiva. La baja frecuencia fabricada por la IA hizo que la variante pareciera falsamente rara.
Caso 2: estudio funcional simulado. Un investigador quería implementar PS3 (prueba funcional) para una variante; AI publicó un artículo persuasivo. Cuando el investigador buscó en PubMed, descubrió que no existía tal artículo. Una atribución falsa colapsaría la cadena de pruebas.
Caso 3: Confirmación obtenida. Un asesor genético reevaluó una variante “posiblemente patógena” con IA. YZ señaló los comentarios contradictorios recién agregados sobre ClinVar; El consultor abrió ClinVar, vio que dos laboratorios habían detectado la variante en VUS y actualizó el informe. En este caso, la IA ayudó al recordarnos una actualización que podría haber pasado desapercibida, pero nuevamente, el ser humano tomó la decisión.
Cuatro plantillas copiables
1) Establecer un marco de evidencia (sin que la clase lo cuente):
Su función: asistente de interpretación de variantes clínicas. Configure el marco de evidencia ACMG/AMP para la siguiente variante: [versión del genoma, transcripción, HGVS]. Para cada código de evidencia posible (PVS1, PS1-4, PM1-6, PP1-5, BA1, BS1-4, BP1-7) “¿qué datos debo mirar, en qué fuente, para aplicar esto?” Escribir. No digas la clase AÚN; simplemente indique qué datos se requieren.
2) plan de confirmación de gnomAD/ClinVar:
Escribe paso a paso qué debo buscar exactamente en gnomAD y ClinVar para la siguiente variante: [variante]. Explique qué umbral de frecuencia poblacional corresponde a qué código ACMG. No inventas los valores; dime donde encontrarlo.
3) Esquema de clase (aprobado por mí):
Proporcioné la siguiente evidencia verificada: [PM2 está presente, PP3 está presente, BS1 está ausente...]. Redacte la posible clase y justificación de acuerdo con las reglas de combinación del ACMG. No dude en decir "VUS" si las pruebas son insuficientes. Aprobaré la decisión final.
4) Borrador de informe:
Traduzca la siguiente clasificación en un párrafo de informe en un lenguaje sencillo y adecuado para el paciente y el médico: [variante, clase, evidencia clave]. No exagere las afirmaciones de certeza; si hay incertidumbre, dígalo claramente. Remitir al especialista para decisión clínica.
Aviso débil / Aviso fuerte
Débil: “¿Es patógeno TP53 c.743G>A?”
Problema: no hay versión/transcripción del genoma, no se requiere evidencia, la IA simplemente puede informar a la clase y compensar la frecuencia.
Strong: "Configure el marco de prueba ACMG para GRCh38, TP53 NM_000546.6:c.743G>A (p.Arg248Gln); dígame qué buscar en qué fuente para cada código, ajuste de valores, borrador de la clase después de validarla".
Por qué es poderoso: el contexto es claro, el camino de la evidencia está abierto, el campo de fabricación se reduce, la decisión está en manos de la persona.
Errores comunes
- Confiando en la respuesta de patogenicidad de una sola palabra. Una clase determinada sin una cadena de evidencia no tiene valor.
- No verificar la frecuencia y la atribución. La frecuencia de gnomAD y las citas de artículos se pueden adaptar; Ábrelo tú mismo.
- Evitando VUS. Decir "patógeno/benigno" cuando la evidencia es insuficiente es un error clínico.
- Mezcla de versión/transcripción del genoma. Transcripción incorrecta, incorrecta c. Significa ubicación.
- Saltándose la actualización de ClinVar. Las interpretaciones cambian con el tiempo; Consulta el registro más actual.
Precaución: La combinación de códigos ACMG se basa en reglas pero requiere el juicio de expertos; La misma evidencia puede tener diferente peso en diferentes contextos de enfermedades genéticas. La combinación de IA es un modelo, no la última palabra.
Profundidad: leer correctamente una línea VCF y umbrales de frecuencia
Incluso una sola línea en un archivo VCF contiene muchos errores. Una línea de ejemplo: 17 43091983. G A 60 PASA AF=0.0003;DP=45 GT:AD 0/1:22,23. Puede hacer que la IA le explique los campos aquí, pero confirme tres puntos usted mismo. Primero, ¿a qué versión del genoma pertenece el par de posición cromosómica? La misma variante aparece en una ubicación diferente en GRCh37 y GRCh38; Sin especificar la versión, la ubicación no tiene sentido. El segundo es el dominio GT (genotipo): 0/1 heterocigoto, 1/1 homocigoto; En una enfermedad recesiva, una única variante heterocigota por sí sola no es explicativa. En tercer lugar, DP (profundidad de lectura) y AD (profundidad de alelo): la baja profundidad (por ejemplo, DP=8) hace que una variante sea cuestionable; La técnica puede ser un falso positivo. AI explica estos campos formalmente, pero “¿es confiable esta llamada?” La decisión es tuya.
Un ejemplo concreto de umbrales de frecuencia: un experto quería aplicar PM2 (rareza) a una variante de una enfermedad rara de herencia recesiva. La inteligencia artificial dijo: "gnomAD no la tiene, seguro que PM2". Cuando el experto abrió gnomAD, descubrió que la variante tenía una frecuencia del 0,8% en una subpoblación, lo suficientemente alta como para descartar PM2, dada la prevalencia de la enfermedad. Un error común es observar la frecuencia de la población general y omitir subpoblaciones.
Frecuencia de alelos (población)
Comentario típico de ACMG
nota
Ninguno / muy raro
Puede soportar PM2
Mire también las subpoblaciones.
Mayor que la prevalencia de la enfermedad
BS1 (benigno fuerte)
La distinción recesiva/dominante es importante
superior al 5%
BA1 (benigno independiente)
Casi con certeza inofensivo
5) Plantilla de control de línea VCF:
Explique la siguiente línea VCF campo por campo, pero no haga un juicio de confiabilidad: interprete la versión del genoma, los campos GT (cigosidad), DP y AD por separado. Enumere los casos en los que esta convocatoria puede ser técnicamente cuestionable. Línea: [pegar].
En resumen
- La interpretación variante se basa en evidencia; La IA es poderosa para formular y resumir evidencia, pero la decisión de la clase depende del experto.
- Cualquier evidencia (frecuencia de gnomAD, registro de ClinVar, estudio funcional) debe verificarse personalmente en la fuente primaria.
- Corregir la variante por versión del genoma, transcripción y HGVS; Confirmar con un verificador.
- Si la evidencia es insuficiente, la respuesta honesta es "Importancia incierta (VUS)".
Tarea de aplicación
Elija una variante de ejemplo (por ejemplo, un registro conocido de ClinVar). Haga que la IA construya el marco de evidencia con las plantillas 1 y 2 anteriores. Luego abra la frecuencia de gnomAD y ClinVar, comente usted mismo y compárelos con las afirmaciones de IA. Observe si existe una diferencia entre la IA y la fuente en al menos una prueba y justifique usted mismo la posible clase.
lista de verificación
- [] Arreglé la variante con la versión del genoma, la transcripción y el HGVS.
- [] Configuré el marco de prueba, no hice que la IA dijera la clase desde el principio.
- [] Personalmente verifiqué la frecuencia de gnomAD.
- [ ] He confirmado el registro y la actualización de ClinVar.
- [] Verifiqué citas de estudios funcionales en PubMed.
- [ ] Si las pruebas eran insuficientes, no dudé en decir VUS y aprobé la decisión yo mismo.