નફો:
- VCF ફોર્મેટ, HGVS નોટેશન (c./p./g.) અને ACMG પેથોજેનિસિટી માપદંડને સમજવાની ક્ષમતા અને કૃત્રિમ બુદ્ધિમત્તા પુરાવાનો ડ્રાફ્ટ બનાવે છે
- ClinVar અને gnomAD જેવા સ્ત્રોતોમાં દરેક ACMG પુરાવા (વસ્તી આવર્તન, સિલિકોમાં, અલગીકરણ, સાહિત્ય) વ્યક્તિગત રીતે ચકાસવાની ક્ષમતા
- જીનોમ સંસ્કરણને પકડવા અને સિસ્ટમની ભૂલોનું સંકલન કરવા અને અંતિમ રોગકારકતા વર્ગીકરણને આર્ટિફિશિયલ ઇન્ટેલિજન્સ પર ન છોડવાના સિદ્ધાંતોને લાગુ કરવાની ક્ષમતા
વ્યક્તિનો જિનોમ લાખો પોઈન્ટ પર સંદર્ભથી અલગ પડે છે; આમાંના મોટા ભાગના તફાવતો હાનિકારક ("સૌમ્ય") છે, કેટલાક રોગનું કારણ બને છે ("પેથોજેનિક"). વેરિઅન્ટ અર્થઘટન એ નક્કી કરવાનું કાર્ય છે કે તફાવત કયા વર્ગમાં આવે છે અને તે ક્લિનિકલ આનુવંશિકતાનું કેન્દ્ર છે. આ એકમમાં, તમે કૃત્રિમ બુદ્ધિમત્તા (AI) નો ઉપયોગ પુરાવા એકત્રીકરણ, સારાંશ અને વિવિધ અર્થઘટનમાં મદદનીશ તરીકે કેવી રીતે કરવો તે શીખી શકશો; પરંતુ તમે શીખી શકશો કે શા માટે અંતિમ પેથોજેનિસિટી નિર્ણય હંમેશા નિષ્ણાતની મંજૂરીને આધીન હોવો જોઈએ.
જટિલ ચેતવણી પ્રથમ: AI ને પૂછો "શું આ પ્રકાર રોગકારક છે?" તમે પૂછો છો તે એક શબ્દના જવાબ પર ક્યારેય વિશ્વાસ કરશો નહીં. AI વિશ્વાસપૂર્વક પુરાવા વિના વર્ગ કહી શકે છે; વેરિઅન્ટ, અગાઉના ક્લિનિકલ રેકોર્ડ્સ અથવા કાર્યાત્મક અભ્યાસોની વસ્તી આવર્તન સાથે ફિટ થઈ શકે છે. સાચો અભિગમ એ છે કે પુરાવાના માળખાના નિર્માણ માટે AI નો ઉપયોગ કરવો અને પ્રાથમિક સ્ત્રોત પર પુરાવાના દરેક ભાગને વ્યક્તિગત રીતે ચકાસવો.
મૂળભૂત ખ્યાલો
- VCF (વેરિઅન્ટ કૉલ ફોર્મેટ): સ્ટાન્ડર્ડ ફાઇલ ફોર્મેટ કે જે નમૂનામાં ચલોની યાદી આપે છે; દરેક લીટી રંગસૂત્ર, સ્થિતિ, સંદર્ભ આધાર, વૈકલ્પિક આધાર અને ગુણવત્તા માહિતી વહન કરે છે.
- HGVS નોટેશન: વેરિઅન્ટ્સ સાથે માનક લેખન ફોર્મેટ. c કોડિંગ ક્રમમાં તેની સ્થિતિ, p. પ્રોટીન ફેરફાર, જી. જીનોમિક સ્થાન સૂચવે છે. ઉદાહરણ તરીકે NM_000546.6:c.743G>A અને p.Arg248Gln.
- gnomAD: સેંકડો હજારો લોકોની વિવિધ આવૃત્તિઓ એકત્રિત કરતો ડેટાબેઝ; તે બતાવે છે કે સમાજમાં એક પ્રકાર કેટલો સામાન્ય છે. સામાન્ય પ્રકારો સામાન્ય રીતે રોગકારક નથી.
- ClinVar: ચલોના ક્લિનિકલ અર્થઘટનને એકત્રિત કરતો જાહેર ડેટાબેઝ.
- એસીએમજી/એએમપી માપદંડ: અમેરિકન કોલેજ ઓફ મેડિકલ જીનેટિકસની પુરાવાની સિસ્ટમ કે જે વેરિયન્ટને પાંચ વર્ગોમાં વિભાજિત કરે છે: પેથોજેનિક, સંભવિત પેથોજેનિક, વેરિયન્ટ ઓફ અન્સર્ટેન સિગ્નિફિકન્સ (VUS), સંભવતઃ સૌમ્ય, સૌમ્ય.
ACMG પુરાવા કોડ્સ: સંક્ષિપ્ત નકશો
ACMG સિસ્ટમ રોગકારક દિશા (PVS, PS, PM, PP) અને સૌમ્ય દિશામાં (BA, BS, BP) માં પુરાવા કોડ વ્યાખ્યાયિત કરે છે; આ વર્ગ નક્કી કરવા માટે ભેગા થાય છે. AI આ કોડ્સનો અર્થ શું છે તે સમજાવવામાં સારી છે, પરંતુ તમારે તે ડેટાને ચકાસવો આવશ્યક છે કે જેના પર કોડ ખરેખર અમલમાં છે.
કોડ
અર્થ (સારાંશ)
સ્ત્રોતની ચકાસણી ક્યાં કરવી
PVS1
કાર્યની ખોટ તરફ દોરી જતા ખૂબ જ મજબૂત પુરાવા (દા.ત. વહેલું બંધ)
ટ્રાન્સક્રિપ્ટ, ડોમેન, જનીન-રોગ સંબંધ
PS1/PS3
પેથોજેનિક તરીકે સમાન એમિનો એસિડ/કાર્યકારી અભ્યાસ
ClinVar, પીઅર-સમીક્ષા કરેલ કાર્યાત્મક લેખ
PM2
વસ્તીમાં ખૂબ જ દુર્લભ/હાજર નથી
gnomAD આવર્તન
PP3/BP4
પેથોજેનિક/સૌમ્ય દિશામાં કોમ્પ્યુટેશનલ આગાહી
અંદાજ સાધનો (સહમતિ)
BA1/BS1
પેથોજેનિક બનવા માટે આવર્તન ખૂબ ઊંચી છે
gnomAD આવર્તન
BP6/PP5
(હવે આગ્રહણીય નથી) કોઈ બીજાના અર્થઘટન પર આધાર રાખવો
-
ટીપ: PM2 (વિરલતા) અને BA1/BS1 (સામાન્યતા) નિર્ણયો સીધા gnomAD આવર્તન પર આધારિત છે અને તે સૌથી સરળતાથી ચકાસાયેલ પુરાવા છે. gnomAD પર પહેલા ચલ જુઓ; વસ્તીના 1% થી વધુ લોકોમાં પ્રચલિત પ્રકાર મોટે ભાગે રોગકારક નથી.
સ્ટેપ બાય સ્ટેપ: AI-આસિસ્ટેડ વેરિઅન્ટનું અર્થઘટન
1. સ્ટાન્ડર્ડ નોટેશનમાં વેરિઅન્ટને ઠીક કરો. જીનોમ વર્ઝન, ટ્રાન્સક્રિપ્ટ અને HGVS રજૂઆતને સ્પષ્ટ કરો. AI બંનેનું વેરિઅન્ટ સી. બંને પી. બંને જી. , પછી વેલિડેટર (જેમ કે વેરિએન્ટ વેલિડેટર) સાથે તેની પુષ્ટિ કરો.
2. એઆઈ પાસે પુરાવાનું માળખું તૈયાર કરવા દો. દરેક ACMG કોડ માટે, “મારે કયો ડેટા જોવો જોઈએ?” AI પાસે પ્રશ્નનો જવાબ આપો — પરંતુ હજુ સુધી વર્ગનો ઉલ્લેખ કરશો નહીં.
3. પ્રાથમિક સ્ત્રોત પર કોઈપણ પુરાવા ચકાસો. gnomAD ફ્રિકવન્સી, ClinVar રેકોર્ડ, કાર્યાત્મક અભ્યાસ — તે બધું જાતે ખોલો અને વાંચો. AI ના "gnomAD માં ઉપલબ્ધ નથી" દાવાને gnomAD માં શોધીને તપાસો.
4. કોડને ભેગું કરો અને વર્ગને બહાર કાઢો. AI સાથે ACMG સંયોજન નિયમોનો ડ્રાફ્ટ; પરંતુ નિષ્ણાતને અંતિમ વર્ગને મંજૂરી આપવા દો.
5. VUS ને પ્રમાણિકપણે જાણ કરો. જો પુરાવા અપૂરતા હોય, તો વર્ગ "અનિશ્ચિત અર્થ" છે; તેને પેથોજેનિક અથવા સૌમ્ય તરીકે દબાણ કરવું એક ભૂલ છે.
ત્રણ નાના કેસો
કેસ 1 - મેડ-અપ ફ્રીક્વન્સી. એક નિષ્ણાતે AI ને gnomAD ની આવૃત્તિ વિશે પૂછ્યું; "0.002%," એઆઈએ કહ્યું. જ્યારે નિષ્ણાતે તેને gnomAD પર જાતે જોયું, ત્યારે તેણે જોયું કે વેરિઅન્ટની આવર્તન 1.3% હતી - એટલે કે BS1 (સૌમ્ય દિશામાં મજબૂત) માટેના પુરાવા માન્ય હતા અને વેરિઅન્ટ મોટે ભાગે હાનિકારક હતું. AI ની બનાવટી ઓછી આવર્તનને કારણે વેરિઅન્ટ ખોટી રીતે દુર્લભ દેખાય છે.
કેસ 2-શામ કાર્યાત્મક અભ્યાસ. એક સંશોધક વેરિઅન્ટ માટે PS3 (કાર્યકારી સાબિતી) લાગુ કરવા માગતો હતો; AI એ એક પ્રેરક લેખ બાયલાઇન આપ્યો. જ્યારે સંશોધકે પબમેડ પર શોધ કરી, ત્યારે તેમને જાણવા મળ્યું કે આવો કોઈ લેખ નથી. ખોટા એટ્રિબ્યુશન પુરાવાની સાંકળને તોડી નાખશે.
કેસ 3 - પુષ્ટિ મળી. આનુવંશિક કાઉન્સેલરે AI સાથે "સંભવતઃ પેથોજેનિક" પ્રકારનું પુનઃમૂલ્યાંકન કર્યું. YZ એ ClinVar પર નવી ઉમેરવામાં આવેલી વિરોધાભાસી ટિપ્પણીઓ તરફ ધ્યાન દોર્યું; કન્સલ્ટન્ટે ClinVar ખોલ્યું, જોયું કે બે લેબોએ VUS પર વેરિઅન્ટ શોધી કાઢ્યું હતું, અને રિપોર્ટ અપડેટ કર્યો હતો. અહીં, AI એ અમને એક અપડેટની યાદ અપાવીને મદદ કરી જે કદાચ કોઈનું ધ્યાન ન ગયું હોય — પરંતુ ફરીથી, માનવીએ નિર્ણય લીધો.
ચાર નકલ કરી શકાય તેવા નમૂનાઓ
1) પુરાવાનું માળખું સ્થાપિત કરવું (વર્ગને જણાવ્યા વિના):
તમારી ભૂમિકા: ક્લિનિકલ વેરિઅન્ટ અર્થઘટન સહાયક. નીચેના પ્રકાર માટે ACMG/AMP પુરાવા માળખું સેટ કરો: [જીનોમ સંસ્કરણ, ટ્રાન્સક્રિપ્ટ, HGVS]. દરેક સંભવિત પુરાવા કોડ માટે (PVS1, PS1-4, PM1-6, PP1-5, BA1, BS1-4, BP1-7) "આને લાગુ કરવા માટે મારે કયો ડેટા જોવો જોઈએ, કયા સ્ત્રોતમાં જોઈએ?" લખો. હજુ સુધી વર્ગ કહો નહીં; ફક્ત કયા ડેટાની જરૂર છે તેની સૂચિ બનાવો.
2) gnomAD/ClinVar પુષ્ટિકરણ યોજના:
નીચેનાં વેરિઅન્ટ માટે gnomAD અને ClinVar માં મારે બરાબર શું જોવું જોઈએ તે સ્ટેપ બાય સ્ટેપ લખો: [variant]. સમજાવો કે વસ્તી આવર્તન થ્રેશોલ્ડ કયા ACMG કોડને અનુરૂપ છે. તમે મૂલ્યો બનાવતા નથી; મને કહો કે તે ક્યાં શોધવું.
3) વર્ગ રૂપરેખા (મારા દ્વારા મંજૂર):
મેં નીચેના ચકાસેલા પુરાવા આપ્યા છે: [PM2 હાજર છે, PP3 હાજર છે, BS1 ગેરહાજર છે...]. ACMG સંયોજન નિયમો અનુસાર સંભવિત વર્ગ અને વાજબીતાનો મુસદ્દો તૈયાર કરો. જો પુરાવા અપૂરતા હોય તો નિઃસંકોચ "VUS" કહો. હું અંતિમ નિર્ણયને મંજૂરી આપીશ.
4) રિપોર્ટ ડ્રાફ્ટ:
દર્દી અને ચિકિત્સક માટે યોગ્ય સાદી ભાષામાં રિપોર્ટ ફકરામાં નીચેના વર્ગીકરણનો અનુવાદ કરો: [ચલ, વર્ગ, મુખ્ય પુરાવા]. નિશ્ચિતતાના દાવાઓને અતિશયોક્તિ ન કરો; જો ત્યાં અનિશ્ચિતતા હોય, તો તેને સ્પષ્ટપણે જણાવો. ક્લિનિકલ નિર્ણય માટે નિષ્ણાતનો સંદર્ભ લો.
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નબળું: "શું TP53 c.743G>એક રોગકારક છે?"
સમસ્યા: કોઈ જીનોમ સંસ્કરણ/ટ્રાન્સક્રિપ્ટ નથી, કોઈ પુરાવાની જરૂર નથી, AI ફક્ત વર્ગને કહી શકે છે અને આવર્તન બનાવી શકે છે.
મજબૂત: "GRCh38, TP53 NM_000546.6:c.743G>A (p.Arg248Gln) માટે ACMG પ્રૂફ ફ્રેમવર્ક સેટ કરો; મને કહો કે દરેક કોડ માટે કયા સ્ત્રોતમાં શું જોવું, મૂલ્ય ફિટિંગ, હું તેને માન્ય કર્યા પછી વર્ગનો ડ્રાફ્ટ કરું."
તે શા માટે શક્તિશાળી છે: સંદર્ભ સ્પષ્ટ છે, પુરાવાનો માર્ગ ખુલ્લો છે, બનાવટનું ક્ષેત્ર સંકુચિત છે, નિર્ણય વ્યક્તિના હાથમાં છે.
સામાન્ય ભૂલો
- એક-શબ્દના પેથોજેનિસિટી જવાબ પર આધાર રાખવો. પુરાવાની સાંકળ વિના આપેલ વર્ગ નકામું છે.
- આવર્તન અને એટ્રિબ્યુશન ચકાસવામાં નિષ્ફળતા. gnomAD આવર્તન અને લેખના અવતરણો સ્વીકારી શકાય છે; તેને જાતે ખોલો.
- VUS ટાળવું. જ્યારે પુરાવા અપૂરતા હોય ત્યારે "પેથોજેનિક/સૌમ્ય" કહેવું એ ક્લિનિકલ ભૂલ છે.
- જીનોમ વર્ઝન/ટ્રાન્સક્રિપ્ટ શફલિંગ. ખોટી ટ્રાન્સક્રિપ્ટ, ખોટી સી. તેનો અર્થ થાય છે સ્થાન.
- ClinVar અપડેટ છોડી રહ્યાં છીએ. સમય સાથે અર્થઘટન બદલાય છે; સૌથી વર્તમાન રેકોર્ડ તપાસો.
સાવધાન: ACMG કોડ્સનું સંયોજન નિયમ-આધારિત છે પરંતુ નિષ્ણાતના નિર્ણયની જરૂર છે; સમાન પુરાવા વિવિધ જનીન-રોગના સંદર્ભમાં અલગ અલગ વજન ધરાવી શકે છે. AI નું સંયોજન એ બ્લુપ્રિન્ટ છે, અંતિમ શબ્દ નથી.
ઊંડાઈ: VCF લાઇન અને આવર્તન થ્રેશોલ્ડને યોગ્ય રીતે વાંચવું
VCF ફાઇલમાં એક લીટીમાં પણ ઘણી બધી ખામીઓ છે. ઉદાહરણ રેખા: 17 43091983 . G A 60 PASS AF=0.0003;DP=45 GT:AD 0/1:22,23. તમે AI અહીં ફીલ્ડ્સ સમજાવી શકો છો, પરંતુ ત્રણ પોઈન્ટ જાતે કન્ફર્મ કરો. પ્રથમ, રંગસૂત્ર-સ્થિતિની જોડી કયા જીનોમ સંસ્કરણથી સંબંધિત છે? સમાન પ્રકાર GRCh37 અને GRCh38 માં અલગ સ્થાન પર દેખાય છે; સંસ્કરણનો ઉલ્લેખ કર્યા વિના, સ્થાન અર્થહીન છે. બીજું જીટી (જીનોટાઇપ) ડોમેન છે: 0/1 હેટરોઝાયગસ, 1/1 હોમોઝાયગસ; રિસેસીવ રોગમાં, એકલા વિષમવર્ધક વેરિયન્ટ સમજૂતીજનક નથી. ત્રીજું, DP (રીડ ડેપ્થ) અને AD (એલીલ ડેપ્થ): ઓછી ઊંડાઈ (દા.ત. DP=8) વેરિઅન્ટ કોલને શંકાસ્પદ બનાવે છે; તકનીક ખોટા હકારાત્મક હોઈ શકે છે. AI આ ક્ષેત્રોને ઔપચારિક રીતે સમજાવે છે, પરંતુ "શું આ કૉલ વિશ્વસનીય છે?" નિર્ણય તમારો છે.
આવર્તન થ્રેશોલ્ડનું નક્કર ઉદાહરણ: એક નિષ્ણાત પીએમ 2 (વિરલતા) ને વિલંબિત વારસા સાથેના દુર્લભ રોગ માટેના પ્રકારમાં લાગુ કરવા માગે છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સે કહ્યું, "gnomAD પાસે તે નથી, PM2 ખાતરી માટે." જ્યારે નિષ્ણાતે gnomAD ખોલ્યું, ત્યારે તેમણે જોયું કે પેટા-વસ્તીમાં વેરિઅન્ટની આવર્તન 0.8% છે - જે રોગના વ્યાપને જોતાં PM2 ને નકારી શકે તેટલી ઊંચી છે. એક સામાન્ય ભૂલ એ છે કે એકંદર વસ્તીની આવર્તન જોવાની અને પેટા-વસ્તી છોડવી.
એલીલ આવર્તન (વસ્તી)
લાક્ષણિક ACMG ટિપ્પણી
નોંધ
કોઈ નહીં / ખૂબ જ દુર્લભ
PM2 ને સપોર્ટ કરી શકે છે
પેટા-વસ્તી પણ જુઓ
રોગના વ્યાપ કરતાં વધુ
BS1 (સૌમ્ય મજબૂત)
અપ્રિય/પ્રબળ ભેદ મહત્વપૂર્ણ છે
5% થી વધુ
BA1 (સ્વતંત્ર સૌમ્ય)
લગભગ ચોક્કસપણે હાનિકારક
5) VCF રેખા નિયંત્રણ નમૂનો:
નીચેના VCF લાઇન ફીલ્ડને ફીલ્ડ દ્વારા સમજાવો, પરંતુ વિશ્વસનીયતાનો નિર્ણય ન કરો: જીનોમ વર્ઝન, જીટી (ઝાયગોસિટી), ડીપી અને એડી ફીલ્ડનું અલગથી અર્થઘટન કરો. એવા કેસોની સૂચિ બનાવો કે જ્યાં આ કૉલ તકનીકી રીતે શંકાસ્પદ હોઈ શકે. રેખા: [પેસ્ટ કરો].
સારાંશમાં
- વેરિઅન્ટ અર્થઘટન પુરાવા આધારિત છે; AI પુરાવા તૈયાર કરવા અને સારાંશ આપવા માટે શક્તિશાળી છે, પરંતુ વર્ગનો નિર્ણય નિષ્ણાત પર છે.
- કોઈપણ પુરાવા (gnomAD આવર્તન, ClinVar નોંધણી, કાર્યાત્મક અભ્યાસ) પ્રાથમિક સ્ત્રોત પર વ્યક્તિગત રીતે ચકાસાયેલ હોવા જોઈએ.
- જીનોમ સંસ્કરણ, ટ્રાન્સક્રિપ્ટ અને HGVS દ્વારા વેરિઅન્ટને ઠીક કરો; ચકાસણીકર્તા સાથે પુષ્ટિ કરો.
- જો પુરાવા અપૂરતા હોય, તો પ્રામાણિક જવાબ "અનિશ્ચિત મહત્વ (VUS)" છે.
એપ્લિકેશન કાર્ય
ઉદાહરણ વેરિઅન્ટ પસંદ કરો (દા.ત. ClinVar નો જાણીતો રેકોર્ડ). AI ને ઉપરના નમૂનાઓ 1 અને 2 સાથે પુરાવાનું માળખું તૈયાર કરવા દો. પછી gnomAD આવર્તન ખોલો અને ClinVar તમારી જાતને ટિપ્પણી કરો અને AI દાવાઓ સાથે તેમની તુલના કરો. નોંધ કરો કે AI અને સ્ત્રોત વચ્ચે ઓછામાં ઓછા એક પુરાવામાં તફાવત છે અને સંભવિત વર્ગને જાતે જ ન્યાયી ઠેરવો.
ચેકલિસ્ટ
- [ ] મેં જીનોમ વર્ઝન, ટ્રાન્સક્રિપ્ટ અને HGVS સાથે વેરિઅન્ટને ઠીક કર્યું છે.
- [ ] મેં પ્રૂફ ફ્રેમવર્ક સેટ કર્યું છે, મેં શરૂઆતથી જ AIને ક્લાસ કહેતો નથી.
- [ ] મેં અંગત રીતે gnomAD આવર્તન તપાસ્યું.
- [ ] મેં ClinVar નોંધણી અને અપ-ટૂ-ડેટનેસની પુષ્ટિ કરી છે.
- [ ] મેં PubMed માં કાર્યાત્મક અભ્યાસના અવતરણોની ચકાસણી કરી.
- [ ] જો પુરાવા અપૂરતા હતા, તો મેં VUS કહેતા અચકાવું નહોતું કર્યું અને જાતે નિર્ણયને મંજૂરી આપી.