سود:
- توانایی درک قالب VCF، نماد HGVS (c./p./g.) و معیارهای بیماری زایی ACMG و داشتن پیش نویس شواهد از هوش مصنوعی
- امکان تأیید شخصی هر شواهد ACMG (فرکانس جمعیت، در سیلیکون، تفکیک، ادبیات) در منابعی مانند ClinVar و gnomAD
- امکان اعمال اصول تشخیص نسخه ژنومی و هماهنگ کردن خطاهای سیستم و عدم واگذاری طبقه بندی بیماری زایی نهایی به هوش مصنوعی
ژنوم یک فرد در میلیون ها نقطه با مرجع متفاوت است. بسیاری از این تفاوت ها بی ضرر هستند ("خوش خیم") ، تعداد کمی باعث بیماری ("بیماری") می شوند. تفسیر متغیر وظیفه تصمیم گیری در مورد این است که یک تفاوت در کدام طبقه قرار می گیرد و قلب ژنتیک بالینی است. در این بخش، نحوه استفاده از هوش مصنوعی (AI) را به عنوان دستیار جمعآوری، خلاصهنویسی و پیشنویس در تفسیر انواع مختلف یاد خواهید گرفت. اما شما خواهید آموخت که چرا تصمیم نهایی بیماری زایی همیشه باید مشمول تایید متخصص باشد.
ابتدا هشدار مهم: از هوش مصنوعی بپرسید "آیا این نوع بیماری زا است؟" هرگز به پاسخ تک کلمه ای که می پرسید اعتماد نکنید. هوش مصنوعی می تواند با اطمینان یک کلاس را بدون مدرک بگوید. می تواند با فراوانی جمعیت یک نوع، سوابق بالینی قبلی یا مطالعات عملکردی مطابقت داشته باشد. رویکرد صحیح استفاده از هوش مصنوعی برای ساخت چارچوب شواهد و تأیید شخصی هر مدرک در منبع اصلی است.
مفاهیم اساسی
- VCF (Variant Call Format): فرمت استاندارد فایل که انواع را در یک نمونه فهرست می کند. هر خط حامل کروموزوم، موقعیت، پایه مرجع، پایه جایگزین و اطلاعات کیفیت است.
- نماد HGVS: فرمت نوشتاری استاندارد با انواع مختلف. ج موقعیت آن در دنباله کدگذاری، ص. تغییر پروتئین، g. مکان ژنومی را نشان می دهد. به عنوان مثال NM_000546.6:c.743G>A و p.Arg248Gln.
- gnomAD: پایگاه داده جمع آوری فرکانس های مختلف صدها هزار نفر. این نشان می دهد که یک نوع در جامعه چقدر رایج است. انواع رایج معمولاً بیماری زا نیستند.
- ClinVar: پایگاه داده عمومی برای جمع آوری تفاسیر بالینی انواع.
- معیارهای ACMG/AMP: سیستم شواهد کالج آمریکایی ژنتیک پزشکی که یک نوع را به پنج دسته تقسیم میکند: بیماریزا، احتمال بیماریزا، نوع اهمیت نامشخص (VUS)، احتمالاً خوشخیم، خوشخیم.
کدهای شواهد ACMG: یک نقشه مختصر
سیستم ACMG کدهای شواهد را در جهت بیماری زا (PVS، PS، PM، PP) و در جهت خوش خیم (BA، BS، BP) تعریف می کند. اینها برای تعیین کلاس جمع می شوند. هوش مصنوعی در توضیح معنای این کدها خوب است، اما باید دادههایی را که واقعاً روی کدام کد پیادهسازی شده است، تأیید کنید.
کد
معنی (خلاصه)
کجا منبع را تایید کنیم
PVS1
شواهد بسیار قوی که منجر به از دست دادن عملکرد می شود (مثلاً قطع زودهنگام)
رونوشت، دامنه، رابطه ژن-بیماری
PS1/PS3
همان آمینو اسید/مطالعه عملکردی به عنوان بیماری زا شناخته شده است
ClinVar، مقاله کاربردی بررسی شده
PM2
بسیار نادر/در جمعیت ها وجود ندارد
فرکانس gnomAD
PP3/BP4
پیش بینی محاسباتی در جهت بیماری زا/خوش خیم
ابزارهای برآورد (اجماع)
BA1/BS1
فرکانس خیلی زیاد است که بیماری زا نیست
فرکانس gnomAD
BP6/PP5
(دیگر توصیه نمی شود) با تکیه بر تفسیر شخص دیگری
-
نکته: تصمیمات PM2 (نادر) و BA1/BS1 (مشترک) مستقیماً بر اساس فرکانس gnomAD هستند و راحتترین شواهد تأیید شده هستند. ابتدا یک نوع را در gnomAD ببینید. گونه ای که در بیش از 1٪ از جمعیت شایع است، به احتمال زیاد بیماری زا نیست.
گام به گام: تفسیر نوع به کمک هوش مصنوعی
1. نوع را به نماد استاندارد ثابت کنید. نسخه ژنوم، رونوشت و نمایش HGVS را روشن کنید. نوع از هوش مصنوعی هر دو c. هر دو ص هر دو g. ، سپس آن را با یک اعتبارسنجی (مانند VariantValidator) تأیید کنید.
2. از هوش مصنوعی بخواهید چارچوب شواهد را بسازد. برای هر کد ACMG، "به چه داده هایی باید نگاه کنم؟" از هوش مصنوعی بخواهید به این سوال پاسخ دهد - اما هنوز کلاس را مشخص نکنید.
3. هر گونه شواهد را در منبع اولیه بررسی کنید. فرکانس gnomAD، رکورد ClinVar، مطالعه عملکردی - همه آنها را باز کنید و خودتان بخوانید. با جستجوی آن در gnomAD، ادعای "در دسترس نیست در gnomAD" هوش مصنوعی را بررسی کنید.
4. کدها را ترکیب کرده و کلاس را استخراج کنید. پیش نویس قوانین ترکیبی ACMG با هوش مصنوعی؛ اما اجازه دهید کارشناس کلاس نهایی را تایید کند.
5. VUS را صادقانه گزارش دهید. اگر شواهد کافی نباشد، کلاس "معنای نامشخص" است. این اشتباه است که آن را به عنوان بیماری زا یا خوش خیم فشار دهید.
سه کیف کوچک
مورد 1 - فرکانس ساخته شده. یک متخصص از هوش مصنوعی در مورد فرکانس یک نوع gnomAD پرسید. هوش مصنوعی گفت: "0.002٪". هنگامی که متخصص آن را در gnomAD خود جستجو کرد، دریافت که فراوانی این نوع 1.3٪ است - به این معنی که شواهد برای BS1 (قوی در جهت خوش خیم) معتبر است و نوع آن به احتمال زیاد بی ضرر است. فرکانس پایین ساخته شده توسط هوش مصنوعی باعث شد که این نوع به طور کاذب کمیاب به نظر برسد.
مورد 2- مطالعه عملکردی شم. یک محقق میخواست PS3 (اثبات عملکردی) را برای یک نسخه پیادهسازی کند. هوش مصنوعی یک مقاله متقاعد کننده توسط خط مقدم ارائه کرد. هنگامی که محقق در PubMed جستجو کرد، متوجه شد که چنین مقاله ای وجود ندارد. انتساب نادرست زنجیره شواهد را از بین می برد.
مورد 3 - تأیید به دست آمده است. یک مشاور ژنتیک یک نوع "احتمالا بیماری زا" را با هوش مصنوعی دوباره ارزیابی کرد. YZ به نظرات متناقض تازه اضافه شده در ClinVar اشاره کرد. مشاور ClinVar را باز کرد، دید که دو آزمایشگاه این نوع را در VUS شناسایی کرده اند و گزارش را به روز کرد. در اینجا، هوش مصنوعی با یادآوری یک بهروزرسانی به ما کمک کرد که ممکن بود مورد توجه قرار نگیرد - اما باز هم انسان تصمیم گرفت.
چهار قالب قابل کپی
1) ایجاد یک چارچوب شواهد (بدون وادار کردن کلاس):
نقش شما: دستیار تفسیر انواع بالینی. چارچوب شواهد ACMG/AMP را برای نوع زیر تنظیم کنید: [نسخه ژنوم، رونوشت، HGVS]. برای هر کد شواهد احتمالی (PVS1، PS1-4، PM1-6، PP1-5، BA1، BS1-4، BP1-7) "به چه داده هایی باید نگاه کنم، در کدام منبع، این را اعمال کنم؟" بنویسید. هنوز کلاس را نگویید. فقط لیست کنید که چه داده هایی مورد نیاز است.
2) طرح تایید gnomAD/ClinVar:
مرحله به مرحله بنویسید که دقیقاً چه چیزی را باید در gnomAD و ClinVar برای نوع زیر جستجو کنم: [Variant]. توضیح دهید که آستانه فراوانی جمعیت با کدام کد ACMG مطابقت دارد. شما ارزش ها را نمی سازید. بگو کجا پیداش کنم
3) طرح کلی کلاس (تأیید شده توسط من):
من شواهد تایید شده زیر را ارائه دادم: [PM2 موجود است، PP3 موجود است، BS1 وجود ندارد...]. طبق قوانین ترکیبی ACMG کلاس ممکن و توجیه را پیش نویس کنید. در صورت ناکافی بودن شواهد، آزادانه بگویید "VUS". من تصمیم نهایی را تایید خواهم کرد.
4) پیش نویس گزارش:
طبقه بندی زیر را به یک پاراگراف گزارش به زبان ساده مناسب برای بیمار و پزشک ترجمه کنید: [نوع، کلاس، شواهد کلیدی]. ادعاهای قطعیت را مبالغه نکنید. اگر عدم قطعیت وجود دارد، آن را به وضوح بیان کنید. برای تصمیم گیری بالینی به متخصص مراجعه کنید.
اعلان ضعیف / اعلان قوی
ضعیف: "آیا TP53 c.743G>A بیماریزا است؟"
مشکل: بدون نسخه / رونوشت ژنوم، بدون نیاز به مدرک، هوش مصنوعی فقط می تواند کلاس را بگوید و فرکانس را تشکیل دهد.
Strong: "چارچوب اثبات ACMG را برای GRCh38, TP53 NM_000546.6:c.743G>A (p.Arg248Gln) تنظیم کنید؛ به من بگویید در کدام منبع برای هر کد، برازش ارزش، پیش نویس کلاس را بعد از اعتبارسنجی آن بگردم."
چرا قدرتمند است: زمینه روشن است، راه شواهد باز است، عرصه ساختگی تنگ شده، تصمیم در دستان شخص است.
اشتباهات رایج
- با تکیه بر پاسخ بیماری زایی یک کلمه ای. یک کلاس مشخص بدون زنجیره شواهد بی ارزش است.
- عدم تأیید فراوانی و انتساب. فرکانس gnomAD و استنادهای مقاله را می توان تطبیق داد. خودت بازش کن
- اجتناب از VUS گفتن "بیماری زا/خوش خیم" زمانی که شواهد کافی نیست یک اشتباه بالینی است.
- به هم زدن نسخه ژنوم / رونوشت. رونوشت نادرست، نادرست ج. به معنای مکان است.
- از بهروزرسانی ClinVar صرفنظر میکنید. تفاسیر در طول زمان تغییر می کند. آخرین رکورد را بررسی کنید.
احتیاط: ترکیب کدهای ACMG مبتنی بر قانون است اما نیاز به قضاوت متخصص دارد. شواهد یکسان ممکن است وزن متفاوتی در زمینه های بیماری ژنتیکی مختلف داشته باشد. ترکیب هوش مصنوعی یک طرح اولیه است، نه کلمه نهایی.
عمق: خواندن صحیح خط VCF و آستانه فرکانس
حتی یک خط در یک فایل VCF حاوی مشکلات زیادی است. یک خط نمونه: 17 43091983. G A 60 PASS AF=0.0003;DP=45 GT:AD 0/1:22،23. میتوانید از هوش مصنوعی بخواهید که فیلدها را در اینجا توضیح دهد، اما سه نکته را خودتان تأیید کنید. اول، جفت موقعیت کروموزوم متعلق به کدام نسخه ژنومی است؟ همین نوع در مکان دیگری در GRCh37 و GRCh38 ظاهر می شود. بدون مشخص کردن نسخه، مکان بی معنی است. دومین دامنه GT (ژنوتیپ) است: 0/1 هتروزیگوت، 1/1 هموزیگوت. در یک بیماری مغلوب، یک نوع هتروزیگوت منفرد به تنهایی توضیحی نیست. سوم، DP (عمق خواندن) و AD (عمق آلل): عمق کم (به عنوان مثال DP=8) یک فراخوانی را مشکوک میکند. تکنیک ممکن است مثبت کاذب باشد. هوش مصنوعی این زمینه ها را به طور رسمی توضیح می دهد، اما "آیا این تماس قابل اعتماد است؟" تصمیم با شماست
یک مثال عینی از آستانه های فرکانس: یک متخصص می خواست PM2 (نادر بودن) را برای یک نوع بیماری نادر با وراثت مغلوب اعمال کند. هوش مصنوعی گفت: "gnomAD آن را ندارد، مطمئناً PM2." وقتی متخصص gnomAD را باز کرد، متوجه شد که این نوع فرکانس 0.8٪ در یک زیرجمعیت دارد - به اندازه ای بالا که با توجه به شیوع بیماری، PM2 را رد کند. یک اشتباه رایج این است که به فراوانی کلی جمعیت نگاه کنید و از زیرجمعیت ها صرف نظر کنید.
فراوانی آلل (جمعیت)
نظر معمولی ACMG
توجه داشته باشید
هیچکدام / بسیار نادر
می تواند PM2 را پشتیبانی کند
همچنین به زیرجمعیت ها نگاه کنید
بالاتر از شیوع بیماری
BS1 (قوی خوش خیم)
تمایز مغلوب / غالب مهم است
بالاتر از 5%
BA1 (خوش خیم مستقل)
تقریبا بدون ضرر
5) الگوی کنترل خط VCF:
خط VCF زیر را فیلد به فیلد توضیح دهید، اما قضاوت در مورد قابلیت اطمینان انجام ندهید: فیلدهای نسخه ژنوم، GT (زیگوسیتی)، DP و AD را جداگانه تفسیر کنید. مواردی را که ممکن است این تماس از نظر فنی مشکوک باشد را فهرست کنید. خط: [چسباندن].
به طور خلاصه
- تفسیر متفاوت مبتنی بر شواهد است. هوش مصنوعی در قاب بندی و خلاصه کردن شواهد قدرتمند است، اما تصمیم کلاس به عهده متخصص است.
- هرگونه شواهد (فرکانس gnomAD، ثبت ClinVar، مطالعه عملکردی) باید شخصاً در منبع اصلی تأیید شود.
- اصلاح نوع بر اساس نسخه ژنوم، رونوشت و HGVS. با تایید کننده تایید کنید
- اگر شواهد کافی نباشد، پاسخ صادقانه «اهمیت نامشخص (VUS)» است.
وظیفه کاربردی
یک نوع نمونه را انتخاب کنید (به عنوان مثال یک رکورد شناخته شده از ClinVar). از هوش مصنوعی بخواهید چارچوب شواهد را با الگوهای 1 و 2 در بالا بسازد. سپس فرکانس gnomAD را باز کنید و ClinVar خودتان نظر دهید و آنها را با ادعاهای هوش مصنوعی مقایسه کنید. توجه داشته باشید که آیا حداقل در یک مدرک بین هوش مصنوعی و منبع تفاوت وجود دارد یا خیر و خودتان کلاس احتمالی را توجیه کنید.
چک لیست
- [ ] من این نوع را با نسخه ژنوم، رونوشت و HGVS ثابت کردم.
- [ ] من چارچوب اثبات را تنظیم کردم، از ابتدا هوش مصنوعی را وادار نکردم که کلاس را بگوید.
- [ ] من شخصا فرکانس gnomAD را بررسی کردم.
- [ ] من ثبت نام ClinVar و به روز بودن را تایید کرده ام.
- [ ] من استنادهای مطالعه عملکردی را در PubMed تأیید کردم.
- [ ] اگر شواهد کافی نبود، در گفتن VUS تردید نکردم و خودم تصمیم را تأیید کردم.