Keuntungan:
- Kemampuan memahami format VCF, notasi HGVS (c./p./g.) dan kriteria patogenisitas ACMG serta memiliki kecerdasan buatan menghasilkan draf bukti
- Kemampuan untuk memverifikasi secara pribadi setiap bukti ACMG (frekuensi populasi, in silico, segregasi, literatur) di sumber seperti ClinVar dan gnomAD
- Kemampuan untuk menerapkan prinsip menangkap versi genom dan mengoordinasikan kesalahan sistem dan tidak menyerahkan klasifikasi patogenisitas akhir kepada kecerdasan buatan
Genom suatu individu berbeda dari genom referensi dalam jutaan titik; Sebagian besar perbedaan ini tidak berbahaya (“jinak”), beberapa menyebabkan penyakit (“patogen”). Interpretasi varian adalah tugas untuk menentukan kelas mana yang termasuk dalam suatu perbedaan dan merupakan inti dari genetika klinis. Dalam unit ini, Anda akan mempelajari cara menggunakan kecerdasan buatan (AI) sebagai asisten pengumpulan, peringkasan, dan penyusunan bukti dalam interpretasi varian; tetapi Anda akan mengetahui mengapa keputusan akhir patogenisitas harus selalu bergantung pada persetujuan ahli.
Peringatan kritis pertama: Tanyakan kepada AI “apakah varian ini patogen?” Jangan pernah mempercayai jawaban satu kata yang Anda tanyakan. AI dapat dengan percaya diri mengatakan suatu kelas tanpa bukti; dapat menyesuaikan frekuensi populasi suatu varian, catatan klinis sebelumnya, atau studi fungsional. Pendekatan yang benar adalah dengan menggunakan AI untuk membangun kerangka bukti dan memverifikasi secara pribadi setiap bukti di sumber utama.
Konsep dasar
- VCF (Variant Call Format): Format file standar yang mencantumkan varian dalam sampel; Setiap baris membawa kromosom, posisi, basis referensi, basis alternatif dan informasi kualitas.
- Notasi HGVS: Format penulisan standar dengan varian. C. posisinya dalam urutan pengkodean, hal. perubahan protein, g. Menunjukkan lokasi genom. Misalnya NM_000546.6:c.743G>A dan p.Arg248Gln.
- gnomAD: Basis data yang mengumpulkan frekuensi varian dari ratusan ribu orang; Ini menunjukkan betapa umum suatu varian di masyarakat. Varian umum umumnya tidak bersifat patogen.
- ClinVar: Basis data publik yang mengumpulkan interpretasi klinis dari varian.
- Kriteria ACMG/AMP: Sistem bukti American College of Medical Genetics yang membagi suatu varian menjadi lima kelas: Patogenik, Kemungkinan Patogenik, Varian dengan Signifikansi Tidak Pasti (VUS), Mungkin Jinak, Jinak.
Kode bukti ACMG: peta singkat
Sistem ACMG mendefinisikan kode bukti dalam arah patogen (PVS, PS, PM, PP) dan dalam arah jinak (BA, BS, BP); Ini berkumpul untuk menentukan kelas. AI pandai menjelaskan arti kode-kode ini, tetapi Anda harus memverifikasi data kode mana yang benar-benar diterapkan.
Kode
Arti (ringkasan)
Di mana memverifikasi sumbernya
PVS1
Bukti yang sangat kuat menyebabkan hilangnya fungsi (misalnya penghentian dini)
Transkrip, domain, hubungan gen-penyakit
PS1/PS3
Studi asam amino/fungsional yang sama dengan yang diketahui bersifat patogen
ClinVar, artikel fungsional yang ditinjau sejawat
PM2
Sangat jarang/tidak ada dalam populasi
frekuensi gnoAD
PP3/BP4
Prediksi komputasi dalam arah patogen/jinak
Alat estimasi (konsensus)
BA1/BS1
Frekuensinya terlalu tinggi untuk menjadi patogen
frekuensi gnoAD
BP6/PP5
(Tidak disarankan lagi) mengandalkan interpretasi orang lain
—
Tip: Keputusan PM2 (kelangkaan) dan BA1/BS1 (keumuman) didasarkan langsung pada frekuensi gnomAD dan merupakan bukti yang paling mudah diverifikasi. Lihat variannya terlebih dahulu di gnomAD; Varian yang umum terjadi pada lebih dari 1% populasi kemungkinan besar tidak bersifat patogen.
Langkah demi langkah: interpretasi varian yang dibantu AI
1. Perbaiki varian ke notasi standar. Memperjelas versi genom, transkrip, dan representasi HGVS. Varian dari AI keduanya c. kedua hal. keduanya g. , lalu konfirmasikan dengan validator (seperti VariantValidator).
2. Minta AI membangun kerangka bukti. Untuk setiap kode ACMG, “data apa yang harus saya lihat?” Minta AI menjawab pertanyaannya — tetapi jangan tentukan kelasnya dulu.
3. Verifikasi bukti apa pun pada sumber utama. frekuensi gnomAD, catatan ClinVar, studi fungsional — buka dan baca sendiri semuanya. Periksa klaim AI "tidak tersedia di gnomAD" dengan mencarinya di gnomAD.
4. Gabungkan kode-kode tersebut dan ekstrak kelasnya. Draf aturan kombinasi ACMG dengan AI; Tapi biarkan ahlinya menyetujui kelas terakhir.
5. Laporkan VUS dengan jujur. Jika bukti tidak mencukupi, kelasnya adalah "Makna Tidak Pasti"; Adalah suatu kesalahan untuk menganggapnya sebagai patogen atau jinak.
tiga kasus mini
Kasus 1 — Frekuensi buatan. Seorang ahli bertanya kepada AI tentang frekuensi varian gnomAD; “0,002%,” kata AI. Ketika pakar tersebut memeriksanya sendiri di gnomAD, ia menemukan bahwa frekuensi varian tersebut adalah 1,3% — yang berarti bukti untuk BS1 (kuat dalam arah yang tidak berbahaya) adalah valid dan varian tersebut kemungkinan besar tidak berbahaya. Frekuensi rendah yang dibuat oleh AI membuat varian tersebut tampak langka.
Kasus 2—Studi fungsional palsu. Seorang peneliti ingin menerapkan PS3 (bukti fungsional) untuk suatu varian; AI memberikan artikel persuasif. Ketika peneliti mencari di PubMed, dia menemukan bahwa tidak ada artikel seperti itu. Atribusi yang salah akan menghancurkan rantai bukti.
Kasus 3 — Konfirmasi diperoleh. Seorang konselor genetik mengevaluasi kembali varian AI yang “mungkin bersifat patogen”. YZ menunjukkan komentar bertentangan yang baru ditambahkan di ClinVar; Konsultan membuka ClinVar, melihat dua laboratorium telah mendeteksi varian di VUS, dan memperbarui laporannya. Di sini, AI membantu dengan mengingatkan kita akan pembaruan yang mungkin luput dari perhatian — namun sekali lagi, manusialah yang mengambil keputusan.
Empat templat yang dapat disalin
1) Membangun kerangka bukti (tanpa membuat kelas menceritakan):
Peran Anda: asisten interpretasi varian klinis. Siapkan kerangka bukti ACMG/AMP untuk varian berikut: [versi genom, transkrip, HGVS]. Untuk setiap kode bukti yang mungkin (PVS1, PS1-4, PM1-6, PP1-5, BA1, BS1-4, BP1-7) “data apa yang harus saya lihat, dari sumber mana, untuk menerapkan ini?” Menulis. Jangan bilang kelasnya BELUM; cukup cantumkan data apa saja yang diperlukan.
2) rencana konfirmasi gnomAD/ClinVar:
Tuliskan langkah demi langkah apa sebenarnya yang harus saya cari di gnomAD dan ClinVar untuk varian berikut: [varian]. Jelaskan ambang batas frekuensi populasi mana yang sesuai dengan kode ACMG yang mana. Anda tidak mengarang nilai-nilai; beritahu saya di mana menemukannya.
3) Garis besar kelas (disetujui oleh saya):
Saya memberikan bukti terverifikasi berikut: [PM2 ada, PP3 ada, BS1 tidak ada...].Buatlah kemungkinan kelas dan justifikasinya sesuai dengan aturan kombinasi ACMG. Jangan ragu untuk mengatakan "VUS" jika buktinya tidak cukup. Saya akan menyetujui keputusan akhir.
4) Draf laporan:
Terjemahkan klasifikasi berikut ke dalam paragraf laporan dalam bahasa sederhana yang sesuai untuk pasien dan dokter: [varian, kelas, bukti kunci]. Jangan membesar-besarkan pernyataan kepastian; jika ada ketidakpastian, nyatakan dengan jelas. Rujuk ke spesialis untuk keputusan klinis.
Perintah lemah / Perintah kuat
Lemah: “Apakah TP53 c.743G>patogen?”
Masalah: Tidak ada versi/transkrip genom, tidak diperlukan bukti, AI hanya dapat memberitahu kelas dan menentukan frekuensinya.
Kuat: "Siapkan kerangka bukti ACMG untuk GRCh38, TP53 NM_000546.6:c.743G>A (p.Arg248Gln); beri tahu saya apa yang harus dicari di sumber mana untuk setiap kode, kesesuaian nilai, buat draf kelas setelah saya memvalidasinya."
Mengapa kuat: Konteksnya jelas, jalur pembuktian terbuka, bidang pemalsuan menyempit, keputusan ada di tangan orang tersebut.
Kesalahan umum
- Mengandalkan jawaban patogenisitas satu kata. Kelas tertentu tanpa rangkaian bukti tidak ada gunanya.
- Kegagalan untuk memverifikasi frekuensi dan atribusi. frekuensi gnomAD dan kutipan artikel dapat disesuaikan; Buka sendiri.
- Menghindari VUS. Mengatakan "patogenik/jinak" ketika bukti tidak cukup merupakan kesalahan klinis.
- Pengacakan versi/transkrip genom. Transkrip salah, salah c. Artinya lokasi.
- Melewatkan pembaruan ClinVar. Penafsirannya berubah seiring berjalannya waktu; Periksa rekor terkini.
Perhatian: Menggabungkan kode ACMG didasarkan pada aturan tetapi memerlukan penilaian ahli; Bukti yang sama mungkin mempunyai bobot yang berbeda dalam konteks penyakit gen yang berbeda. Kombinasi AI adalah cetak biru, bukan keputusan akhir.
Kedalaman: membaca garis VCF dan ambang batas frekuensi dengan benar
Bahkan satu baris dalam file VCF mengandung banyak kendala. Contoh baris: 17 43091983 . G A 60 LULUS AF=0,0003;DP=45 GT:AD 0/1:22,23. Anda dapat meminta AI menjelaskan bidangnya di sini, tetapi konfirmasikan sendiri tiga poin tersebut. Pertama, versi genom manakah yang dimiliki oleh pasangan posisi kromosom? Varian yang sama muncul di lokasi berbeda di GRCh37 dan GRCh38; Tanpa menentukan versinya, lokasi tidak ada artinya. Yang kedua adalah domain GT (genotipe): 0/1 heterozigot, 1/1 homozigot; Pada penyakit resesif, satu varian heterozigot saja tidak dapat menjelaskan. Ketiga, DP (kedalaman baca) dan AD (kedalaman alel): kedalaman rendah (misalnya DP=8) membuat pemanggilan varian dipertanyakan; Teknik ini mungkin merupakan hasil positif palsu. AI menjelaskan bidang-bidang ini secara formal, tetapi “apakah panggilan ini dapat diandalkan?” Keputusan ada di tangan Anda.
Contoh nyata dari ambang batas frekuensi: seorang ahli ingin menerapkan PM2 (kelangkaan) pada varian penyakit langka dengan pewarisan resesif. Kecerdasan buatan berkata, "gnomAD tidak memilikinya, pasti PM2." Ketika ahli membuka gnomAD, ia menemukan bahwa varian tersebut memiliki frekuensi 0,8% dalam suatu subpopulasi – cukup tinggi untuk menyingkirkan PM2, mengingat prevalensi penyakit tersebut. Kesalahan umum yang dilakukan adalah melihat frekuensi populasi secara keseluruhan dan melewatkan subpopulasi.
Frekuensi alel (populasi)
Komentar khas ACMG
catatan
Tidak ada / sangat jarang
Dapat mendukung PM2
Lihat juga subpopulasi
Lebih tinggi dari prevalensi penyakit
BS1 (jinak kuat)
Perbedaan resesif/dominan itu penting
lebih tinggi dari 5%
BA1 (independen jinak)
Hampir pasti tidak berbahaya
5) Templat kontrol garis VCF:
Jelaskan garis VCF berikut bidang demi bidang, tetapi jangan membuat penilaian keandalan: tafsirkan bidang versi genom, GT (zygosity), DP dan AD secara terpisah. Buat daftar kasus-kasus di mana panggilan ini mungkin dipertanyakan secara teknis. Baris: [tempel].
Singkatnya
- Variasi penafsiran didasarkan pada bukti; AI sangat ampuh dalam membingkai dan merangkum bukti, namun keputusan kelas ada di tangan ahlinya.
- Bukti apa pun (frekuensi gnomAD, registrasi ClinVar, studi fungsional) harus diverifikasi secara pribadi di sumber utama.
- Perbaiki varian berdasarkan versi genom, transkrip, dan HGVS; Konfirmasikan dengan verifikator.
- Jika bukti tidak cukup, jawaban jujurnya adalah “ Signifikansi Tidak Pasti (VUS).”
Tugas aplikasi
Pilih varian contoh (misal, rekaman terkenal dari ClinVar). Minta AI membangun kerangka bukti dengan templat 1 dan 2 di atas. Kemudian buka frekuensi gnomAD dan komentar ClinVar sendiri dan bandingkan dengan klaim AI. Catat apakah ada perbedaan antara AI dan sumber dalam setidaknya satu bukti dan berikan justifikasi sendiri kemungkinan kelasnya.
daftar periksa
- [] Saya memperbaiki varian dengan versi genom, transkrip, dan HGVS.
- [ ] Saya menyiapkan kerangka pembuktian, saya tidak membuat AI mengatakan kelas dari awal.
- [] Saya pribadi memeriksa frekuensi gnomAD.
- [ ] Saya telah mengonfirmasi pendaftaran dan pembaruan ClinVar.
- [] Saya memverifikasi kutipan studi fungsional di PubMed.
- [ ] Jika buktinya kurang, saya tidak segan-segan mengatakan VUS dan menyetujui sendiri keputusan tersebut.