Gains :
- Capacité à comprendre le format VCF, la notation HGVS (c./p./g.) et les critères de pathogénicité ACMG et à demander à l'intelligence artificielle de produire un projet de preuves
- Capacité à vérifier personnellement chaque preuve ACMG (fréquence de population, in silico, ségrégation, littérature) dans des sources telles que ClinVar et gnomAD
- Capacité à appliquer les principes de détection des versions du génome et des erreurs du système de coordination et à ne pas laisser la classification finale du pouvoir pathogène à l'intelligence artificielle
Le génome d'un individu diffère de la référence sur des millions de points ; La plupart de ces différences sont inoffensives (« bénignes »), quelques-unes provoquent des maladies (« pathogènes »). L’interprétation des variantes consiste à décider à quelle classe appartient une différence et constitue le cœur de la génétique clinique. Dans cette unité, vous apprendrez à utiliser l'intelligence artificielle (IA) comme assistant de collecte, de synthèse et de rédaction de preuves dans l'interprétation de variantes ; mais vous apprendrez pourquoi la décision finale en matière de pathogénicité doit toujours être soumise à l'approbation d'un expert.
Avertissement critique d'abord : demandez à l'IA "ce variant est-il pathogène ?" Ne vous fiez jamais à la réponse en un seul mot que vous demandez. L’IA peut affirmer avec confiance une classe sans preuve ; peut s'adapter à la fréquence de population d'une variante, aux dossiers cliniques antérieurs ou aux études fonctionnelles. La bonne approche consiste à utiliser l’IA pour construire le cadre de preuves et vérifier personnellement chaque élément de preuve à la source principale.
Notions de base
- VCF (Variant Call Format) : format de fichier standard qui répertorie les variantes dans un échantillon ; Chaque ligne contient des informations sur le chromosome, la position, la base de référence, la base alternative et la qualité.
- Notation HGVS : Format d'écriture standard avec variantes. c. sa position dans la séquence de codage, p. changement de protéine, g. Indique l'emplacement génomique. Par exemple NM_000546.6:c.743G>A et p.Arg248Gln.
- gnomAD : base de données collectant des fréquences variables de centaines de milliers de personnes ; Cela montre à quel point une variante est courante dans la société. Les variantes courantes ne sont généralement pas pathogènes.
- ClinVar : base de données publique collectant les interprétations cliniques des variantes.
- Critères ACMG/AMP : système de preuves de l'American College of Medical Genetics qui divise une variante en cinq classes : pathogène, probablement pathogène, variante de signification incertaine (VUS), éventuellement bénigne, bénigne.
Codes de preuve ACMG : une brève carte
Le système ACMG définit des codes de preuve dans le sens pathogène (PVS, PS, PM, PP) et dans le sens bénin (BA, BS, BP) ; Ceux-ci se réunissent pour déterminer la classe. L’IA est efficace pour expliquer la signification de ces codes, mais vous devez vérifier les données sur lesquelles le code est réellement implémenté.
Coder
Signification (résumé)
Où vérifier la source
PVS1
Preuves très solides conduisant à une perte de fonction (par exemple arrêt précoce)
Transcription, domaine, relation gène-maladie
PS1/PS3
Même étude sur les acides aminés/fonctionnels que sur les agents pathogènes connus
ClinVar, article fonctionnel évalué par des pairs
PM2
Très rare/non présent dans les populations
fréquence de gnomAD
PP3/BP4
Prédiction informatique dans le sens pathogène/bénin
Outils d'estimation (consensus)
BA1/BS1
Fréquence trop élevée pour être pathogène
fréquence de gnomAD
BP6/PP5
(N'est plus recommandé) s'appuyer sur l'interprétation de quelqu'un d'autre
—
Astuce : les décisions PM2 (rareté) et BA1/BS1 (fréquence) sont basées directement sur la fréquence de gnomAD et constituent les preuves les plus faciles à vérifier. Voir d'abord une variante sur gnomAD ; Un variant répandu chez plus de 1 % de la population n’est probablement pas pathogène.
Pas à pas : interprétation des variantes assistée par l'IA
1. Correction de la variante à la notation standard. Clarifiez la version du génome, la transcription et la représentation HGVS. Variante de l'IA à la fois c. les deux p. les deux g. , puis confirmez-le avec un validateur (comme VariantValidator).
2. Demandez à l'IA de construire le cadre de preuves. Pour chaque code ACMG, « quelles données dois-je consulter ? » Demandez à l'IA de répondre à la question, mais ne précisez pas encore la classe.
3. Vérifiez toute preuve à la source principale. Fréquence gnomAD, enregistrement ClinVar, étude fonctionnelle – ouvrez-les et lisez-les tous vous-même. Vérifiez la déclaration d'IA « non disponible dans gnomAD » en la recherchant dans gnomAD.
4. Combinez les codes et extrayez la classe. Projet de règles de combinaison ACMG avec l'IA ; Mais laissez l'expert approuver le cours final.
5. Signalez VUS honnêtement. Si les preuves sont insuffisantes, la classe est « Signification incertaine » ; C'est une erreur de la présenter comme pathogène ou bénigne.
trois mini-cases
Cas 1 — Fréquence inventée. Un expert a interrogé AI sur la fréquence d’une variante de gnomAD ; "0,002%", a indiqué l'IA. Lorsque l'expert a vérifié lui-même sur gnomAD, il a constaté que la fréquence de la variante était de 1,3 %, ce qui signifie que les preuves de BS1 (fortes dans le sens bénin) étaient valides et que la variante était très probablement inoffensive. La basse fréquence fabriquée par l’IA a fait paraître la variante faussement rare.
Cas 2 : étude fonctionnelle fictive. Un chercheur souhaitait implémenter PS3 (preuve fonctionnelle) pour une variante ; AI a donné une signature d’article convaincante. Lorsque le chercheur a effectué une recherche sur PubMed, il a découvert qu’un tel article n’existait pas. Une fausse attribution effondrerait la chaîne de preuves.
Cas 3 — Confirmation obtenue. Un conseiller en génétique a réévalué une variante « potentiellement pathogène » avec l’IA. YZ a souligné les commentaires contradictoires récemment ajoutés sur ClinVar ; Le consultant a ouvert ClinVar, a constaté que deux laboratoires avaient détecté la variante sur VUS et a mis à jour le rapport. Ici, l’IA nous a aidé en nous rappelant une mise à jour qui aurait pu passer inaperçue – mais encore une fois, c’est l’humain qui a pris la décision.
Quatre modèles copiables
1) Établir un cadre de preuves (sans faire dire à la classe) :
Votre rôle : assistant d'interprétation des variantes cliniques. Mettre en place le cadre de preuves ACMG/AMP pour la variante suivante : [version du génome, transcription, HGVS]. Pour chaque code de preuve possible (PVS1, PS1-4, PM1-6, PP1-5, BA1, BS1-4, BP1-7) « quelles données dois-je consulter, dans quelle source, pour appliquer cela ? Écrire. Ne dites pas ENCORE la classe ; indiquez simplement les données requises.
2) plan de confirmation gnomAD/ClinVar :
Écrivez étape par étape ce que je dois rechercher exactement dans gnomAD et ClinVar pour la variante suivante : [variante]. Expliquez à quel seuil de fréquence de population correspond à quel code ACMG. Vous n’inventez pas les valeurs ; dis-moi où le trouver.
3) Plan de cours (approuvé par moi) :
J'ai donné les preuves vérifiées suivantes : [PM2 est présent, PP3 est présent, BS1 est absent...]. Rédigez la classe et la justification possibles selon les règles de combinaison de l'ACMG. N'hésitez pas à dire « VUS » si les preuves sont insuffisantes. J'approuverai la décision finale.
4) Projet de rapport :
Traduisez la classification suivante dans un paragraphe de rapport rédigé dans un langage simple et adapté au patient et au médecin : [variante, classe, données clés]. N’exagérez pas les affirmations de certitude ; s’il y a une incertitude, indiquez-le clairement. Référer à un spécialiste pour une décision clinique.
Invite faible/Invite forte
Faible : « TP53 c.743G>A est-il pathogène ? »
Problème : Aucune version/transcription du génome, aucune preuve requise, l'IA peut simplement le dire à la classe et déterminer la fréquence.
Strong : "Configurez le cadre de preuve ACMG pour GRCh38, TP53 NM_000546.6:c.743G>A (p.Arg248Gln) ; dites-moi quoi rechercher dans quelle source pour chaque code, ajustement de valeur, rédigez la classe après l'avoir validée."
Pourquoi c'est puissant : Le contexte est clair, le chemin des preuves est ouvert, le champ de fabrication est restreint, la décision est entre les mains de la personne.
Erreurs courantes
- S'appuyer sur la réponse en un seul mot sur la pathogénicité. Un cours donné sans une chaîne de preuves ne vaut rien.
- Défaut de vérifier la fréquence et l'attribution. La fréquence de gnomAD et les citations d'articles peuvent être adaptées ; Ouvrez-le vous-même.
- Éviter le VUS. Dire « pathogène/bénigne » alors que les preuves sont insuffisantes est une erreur clinique.
- Remaniement des versions/transcriptions du génome. Transcription incorrecte, incorrecte c. Cela signifie l'emplacement.
- Ignorer la mise à jour de ClinVar. Les interprétations changent avec le temps ; Vérifiez l'enregistrement le plus récent.
Attention : la combinaison des codes ACMG est basée sur des règles mais nécessite le jugement d'un expert ; Les mêmes preuves peuvent avoir un poids différent dans différents contextes de maladies génétiques. La combinaison de l’IA est un modèle, pas le dernier mot.
Profondeur : lire correctement une ligne VCF et les seuils de fréquence
Même une seule ligne dans un fichier VCF contient de nombreux pièges. Un exemple de ligne : 17 43091983 . G A 60 PASS AF=0,0003;DP=45 GT:AD 0/1:22,23. Vous pouvez demander à l'IA d'expliquer les champs ici, mais confirmez vous-même trois points. Premièrement, à quelle version du génome appartient la paire chromosome-position ? La même variante apparaît à un emplacement différent dans GRCh37 et GRCh38 ; Sans préciser la version, l'emplacement n'a aucun sens. Le second est le domaine GT (génotype) : 0/1 hétérozygote, 1/1 homozygote ; Dans une maladie récessive, un seul variant hétérozygote n’est pas explicatif. Troisièmement, DP (profondeur de lecture) et AD (profondeur d'allèle) : une faible profondeur (par exemple DP = 8) rend un appel de variante discutable ; La technique peut être un faux positif. L’IA explique formellement ces champs, mais « cet appel est-il fiable ? » La décision vous appartient.
Un exemple concret de seuils de fréquence : un expert a voulu appliquer PM2 (rareté) à un variant d'une maladie rare à transmission récessive. L'intelligence artificielle a dit : "gnomAD ne l'a pas, PM2 bien sûr." Lorsque l’expert a ouvert gnomAD, il a constaté que la variante avait une fréquence de 0,8 % dans une sous-population – suffisamment élevée pour exclure les PM2, compte tenu de la prévalence de la maladie. Une erreur courante consiste à examiner la fréquence globale de la population et à ignorer les sous-populations.
Fréquence allélique (population)
Commentaire typique d'ACMG
remarque
Aucun / très rare
Peut prendre en charge les PM2
Regardez également les sous-populations
Plus élevée que la prévalence de la maladie
BS1 (bénigne forte)
La distinction récessif/dominant est importante
supérieur à 5%
BA1 (indépendant bénin)
Presque certainement inoffensif
5) Modèle de contrôle de ligne VCF :
Expliquez la ligne VCF suivante champ par champ, mais ne portez pas de jugement de fiabilité : interprétez séparément la version du génome, les champs GT (zygosité), DP et AD. Énumérez les cas où cet appel peut être techniquement discutable. Ligne : [coller].
En résumé
- L’interprétation des variantes est fondée sur des preuves ; L’IA est puissante pour formuler et résumer les preuves, mais la décision de classe appartient à l’expert.
- Toute preuve (fréquence gnomAD, enregistrement ClinVar, étude fonctionnelle) doit être vérifiée personnellement auprès de la source principale.
- Corrigez la variante par version du génome, transcription et HGVS ; Confirmez avec un vérificateur.
- Si les preuves sont insuffisantes, la réponse honnête est « importance incertaine (VUS) ».
Tâche de candidature
Choisissez un exemple de variante (par exemple un enregistrement bien connu de ClinVar). Demandez à l'IA de construire le cadre de preuves avec les modèles 1 et 2 ci-dessus. Ensuite, ouvrez vous-même la fréquence gnomAD et ClinVar et comparez-les avec les affirmations de l'IA. Notez s'il existe une différence entre l'IA et la source dans au moins un élément de preuve et justifiez vous-même la classe possible.
liste de contrôle
- [ ] J'ai corrigé la variante avec la version du génome, la transcription et le HGVS.
- [ ] J'ai mis en place le framework de preuve, je n'ai pas fait dire à l'IA la classe depuis le début.
- [ ] J'ai personnellement vérifié la fréquence de gnomAD.
- [ ] J'ai confirmé l'enregistrement et la mise à jour de ClinVar.
- [ ] J'ai vérifié les citations d'études fonctionnelles dans PubMed.
- [ ] Si les preuves étaient insuffisantes, je n'ai pas hésité à dire VUS et j'ai moi-même approuvé la décision.