Guadagni:
- Capacità di comprendere il formato VCF, la notazione HGVS (c./p./g.) e i criteri di patogenicità ACMG e di far sì che l'intelligenza artificiale produca una bozza di prova
- Capacità di verificare personalmente ogni evidenza ACMG (frequenza della popolazione, in silico, segregazione, letteratura) in fonti come ClinVar e gnomAD
- Capacità di applicare i principi di rilevamento della versione del genoma e di coordinare gli errori del sistema e di non lasciare la classificazione finale della patogenicità all'intelligenza artificiale
Il genoma di un individuo differisce dal riferimento in milioni di punti; La maggior parte di queste differenze sono innocue (“benigne”), alcune causano malattie (“patogene”). L’interpretazione delle varianti è il compito di decidere in quale classe rientra una differenza ed è il cuore della genetica clinica. In questa unità imparerai come utilizzare l'intelligenza artificiale (AI) come assistente per la raccolta, il riepilogo e la stesura di prove in interpretazioni varianti; ma imparerai perché la decisione finale sulla patogenicità dovrebbe sempre essere soggetta all'approvazione di esperti.
Innanzitutto un avvertimento critico: chiedere all'IA "questa variante è patogena?" Non fidarti mai della risposta di una sola parola che chiedi. L'intelligenza artificiale può dire con sicurezza una lezione senza prove; può adattarsi alla frequenza della popolazione di una variante, di precedenti cartelle cliniche o di studi funzionali. L’approccio corretto è utilizzare l’intelligenza artificiale per costruire il quadro delle prove e verificare personalmente ogni elemento di prova alla fonte primaria.
Concetti di base
- VCF (Variant Call Format): formato file standard che elenca le varianti in un campione; Ogni linea trasporta informazioni sul cromosoma, sulla posizione, sulla base di riferimento, sulla base alternativa e sulla qualità.
- Notazione HGVS: formato di scrittura standard con varianti. C. la sua posizione nella sequenza di codifica, p. cambiamento proteico, g. Indica la posizione genomica. Ad esempio NM_000546.6:c.743G>A e p.Arg248Gln.
- gnomAD: database che raccoglie frequenze di varianti di centinaia di migliaia di persone; Mostra quanto sia comune una variante nella società. Le varianti comuni generalmente non sono patogene.
- ClinVar: database pubblico che raccoglie interpretazioni cliniche delle varianti.
- Criteri ACMG/AMP: sistema di prove dell'American College of Medical Genetics che divide una variante in cinque classi: patogena, probabilmente patogena, variante di significato incerto (VUS), possibilmente benigna, benigna.
Codici di prova ACMG: una breve mappa
Il sistema ACMG definisce codici di evidenza nella direzione patogena (PVS, PS, PM, PP) e nella direzione benigna (BA, BS, BP); Questi si uniscono per determinare la classe. L’intelligenza artificiale è brava a spiegare cosa significano questi codici, ma è necessario verificare i dati su quale codice è effettivamente implementato.
Codice
Significato (riepilogo)
Dove verificare la fonte
PVS1
Evidenza molto forte che porta alla perdita di funzione (ad esempio interruzione anticipata)
Trascrizione, dominio, relazione gene-malattia
PS1/PS3
Stesso studio amminoacido/funzionale del patogeno noto
ClinVar, articolo funzionale sottoposto a revisione paritaria
PM2
Molto raro/non presente nelle popolazioni
frequenza gnomAD
PP3/BP4
Predizione computazionale in direzione patogena/benigna
Strumenti di stima (consenso)
BA1/BS1
Frequenza troppo alta per essere patogena
frequenza gnomAD
BP6/PP5
(Non più consigliato) affidarsi all'interpretazione di qualcun altro
—
Suggerimento: le decisioni PM2 (rarità) e BA1/BS1 (comune) si basano direttamente sulla frequenza di gnomAD e sono le prove più facilmente verificabili. Vedi prima una variante su gnomAD; Una variante prevalente in più dell’1% della popolazione molto probabilmente non è patogena.
Passo dopo passo: interpretazione delle varianti assistita dall'intelligenza artificiale
1. Correggi la variante alla notazione standard. Chiarire la versione del genoma, la trascrizione e la rappresentazione HGVS. Variante dell'AI sia c. entrambi pag. entrambi G. , quindi confermalo con un validatore (come VariantValidator).
2. Chiedi all’intelligenza artificiale di costruire il quadro delle prove. Per ciascun codice ACMG, "quali dati dovrei guardare?" Chiedi all'IA di rispondere alla domanda, ma non specificare ancora la classe.
3. Verificare eventuali prove alla fonte primaria. Frequenza gnomAD, record ClinVar, studio funzionale: aprili e leggili tutti tu stesso. Controlla l'affermazione "non disponibile in gnomAD" di AI cercandola in gnomAD.
4. Combina i codici ed estrai la classe. Bozza di regole di combinazione ACMG con AI; Ma lasciamo che l'esperto approvi la lezione finale.
5. Segnala il VUS onestamente. Se le prove sono insufficienti, la classe è "Significato incerto"; È un errore spacciarlo per patogeno o benigno.
tre mini custodie
Caso 1 — Frequenza inventata. Un esperto ha chiesto all'IA la frequenza di una variante gnomAD; “0,002%”, ha detto l’IA. Quando l'esperto ha esaminato personalmente gnomAD, ha scoperto che la frequenza della variante era dell'1,3%, il che significa che le prove per BS1 (forte nella direzione benigna) erano valide e la variante era molto probabilmente innocua. La bassa frequenza fabbricata dall'intelligenza artificiale ha fatto sì che la variante apparisse falsamente rara.
Caso 2: studio funzionale fittizio. Un ricercatore voleva implementare PS3 (prova funzionale) per una variante; AI ha fornito un sottotitolo dell'articolo persuasivo. Quando il ricercatore ha effettuato una ricerca su PubMed, ha scoperto che non esisteva un articolo del genere. Una falsa attribuzione farebbe crollare la catena delle prove.
Caso 3 – Conferma ottenuta. Un consulente genetico ha rivalutato una variante “possibilmente patogena” con l’IA. YZ ha sottolineato i commenti contrastanti appena aggiunti su ClinVar; Il consulente ha aperto ClinVar, ha visto che due laboratori avevano rilevato la variante VUS e ha aggiornato il rapporto. In questo caso, l’intelligenza artificiale ci ha aiutato ricordandoci un aggiornamento che avrebbe potuto passare inosservato, ma ancora una volta è stato l’essere umano a prendere la decisione.
Quattro modelli copiabili
1) Stabilire un quadro di prova (senza farlo raccontare alla classe):
Il tuo ruolo: assistente all'interpretazione delle varianti cliniche. Impostare il quadro delle prove ACMG/AMP per la seguente variante: [versione del genoma, trascrizione, HGVS]. Per ogni possibile codice di prova (PVS1, PS1-4, PM1-6, PP1-5, BA1, BS1-4, BP1-7) "quali dati dovrei guardare, in quale fonte, per applicarlo?" Scrivere. Non dire ANCORA la lezione; basta elencare quali dati sono richiesti.
2) Piano di conferma gnomAD/ClinVar:
Scrivi passo passo cosa dovrei cercare esattamente in gnomAD e ClinVar per la seguente variante: [variant]. Spiegare quale soglia di frequenza della popolazione corrisponde a quale codice ACMG. Non sei tu a inventare i valori; dimmi dove trovarlo.
3) Schema della lezione (approvato da me):
Ho fornito la seguente evidenza verificata: [PM2 è presente, PP3 è presente, BS1 è assente...].Stesura l'eventuale classe e giustificazione secondo le regole di combinazione ACMG. Sentiti libero di dire "VUS" se le prove sono insufficienti. Approverò la decisione finale.
4) Progetto di relazione:
Tradurre la seguente classificazione in un paragrafo del report in un linguaggio semplice adatto al paziente e al medico: [variante, classe, evidenza chiave]. Non esagerare con le pretese di certezza; se c'è incertezza, dirlo chiaramente. Consultare uno specialista per la decisione clinica.
Prompt debole / Prompt forte
Debole: “TP53 c.743G>A è patogeno?”
Problema: nessuna versione/trascrizione del genoma, nessuna prova richiesta, l'intelligenza artificiale può semplicemente dirlo alla classe e inventare la frequenza.
Forte: "Imposta il framework di prova ACMG per GRCh38, TP53 NM_000546.6:c.743G>A (p.Arg248Gln); dimmi cosa cercare in quale fonte per ciascun codice, adattamento del valore, abbozza la classe dopo averla convalidata."
Perché è potente: il contesto è chiaro, il percorso delle prove è aperto, il campo della fabbricazione è ristretto, la decisione è nelle mani della persona.
Errori comuni
- Basandosi sulla risposta sulla patogenicità in una sola parola. Una determinata classe senza una catena di prove non ha valore.
- Mancata verifica della frequenza e dell'attribuzione. la frequenza di gnomAD e le citazioni degli articoli possono essere adattate; Aprilo tu stesso.
- Evitare il VUS. Dire “patogeno/benigno” quando le prove sono insufficienti è un errore clinico.
- Mescolamento della versione/trascrizione del genoma. Trascrizione errata, errata c. Significa posizione.
- Saltare l'aggiornamento ClinVar. Le interpretazioni cambiano nel tempo; Controlla il record più recente.
Attenzione: la combinazione dei codici ACMG è basata su regole ma richiede il giudizio di esperti; La stessa prova può avere un peso diverso in diversi contesti di malattia genetica. La combinazione dell’intelligenza artificiale è un progetto, non l’ultima parola.
Profondità: lettura corretta di una linea VCF e soglie di frequenza
Anche una singola riga in un file VCF contiene molte insidie. Una riga di esempio: 17 43091983 . G A 60 PASS AF=0.0003;DP=45 GT:AD 0/1:22,23. Puoi chiedere all'IA di spiegare i campi qui, ma conferma tu stesso tre punti. Innanzitutto, a quale versione del genoma appartiene la coppia cromosoma-posizione? La stessa variante appare in una posizione diversa in GRCh37 e GRCh38; Senza specificare la versione, la posizione non ha senso. Il secondo è il dominio GT (genotipo): 0/1 eterozigote, 1/1 omozigote; In una malattia recessiva, una singola variante eterozigote da sola non è esplicativa. Terzo, DP (profondità di lettura) e AD (profondità allelica): la profondità bassa (ad esempio DP=8) rende discutibile l'identificazione della variante; La tecnica potrebbe essere un falso positivo. L’intelligenza artificiale spiega formalmente questi campi, ma “questa chiamata è affidabile?” La decisione è tua.
Un esempio concreto di soglie di frequenza: un esperto voleva applicare il PM2 (rarità) a una variante di una malattia rara con ereditarietà recessiva. L'intelligenza artificiale ha detto: "gnomAD non ce l'ha, PM2 di sicuro". Quando l’esperto ha aperto gnomAD, ha scoperto che la variante aveva una frequenza dello 0,8% in una sottopopolazione – abbastanza alta da escludere PM2, data la prevalenza della malattia. Un errore comune è guardare alla frequenza complessiva della popolazione e saltare le sottopopolazioni.
Frequenza allelica (popolazione)
Tipico commento di ACMG
nota
Nessuno/molto raro
Può supportare PM2
Guarda anche le sottopopolazioni
Superiore alla prevalenza della malattia
BS1 (benigno forte)
La distinzione recessivo/dominante è importante
superiore al 5%
BA1 (benigno indipendente)
Quasi certamente innocuo
5) Modello di controllo della linea VCF:
Spiegare campo per campo la seguente linea VCF, ma non dare un giudizio di affidabilità: interpretare separatamente la versione del genoma, i campi GT (zigosità), DP e AD. Elenca i casi in cui questa chiamata potrebbe essere tecnicamente discutibile. Riga: [incolla].
In sintesi
- L'interpretazione delle varianti è basata sull'evidenza; L’intelligenza artificiale è potente nel inquadrare e riassumere le prove, ma la decisione della classe spetta all’esperto.
- Qualsiasi evidenza (frequenza gnomAD, registrazione ClinVar, studio funzionale) deve essere verificata personalmente alla fonte primaria.
- Correggere la variante per versione del genoma, trascrizione e HGVS; Conferma con un verificatore.
- Se le prove sono insufficienti, la risposta onesta è “Significato incerto (VUS)”.
Compito dell'applicazione
Scegli una variante di esempio (ad esempio un record noto di ClinVar). Chiedi all'intelligenza artificiale di costruire il quadro delle prove con i modelli 1 e 2 sopra. Quindi apri la frequenza di gnomAD e ClinVar commenta tu stesso e confrontali con le affermazioni dell'AI. Nota se c'è una differenza tra l'IA e la fonte in almeno un elemento di prova e giustifica tu stesso la possibile classe.
lista di controllo
- [ ] Ho corretto la variante con versione del genoma, trascrizione e HGVS.
- [] Ho impostato il framework di prova, non ho fatto dire all'intelligenza artificiale la classe dall'inizio.
- [ ] Ho controllato personalmente la frequenza di gnomAD.
- [ ] Ho confermato la registrazione e l'aggiornamento di ClinVar.
- [] Ho verificato le citazioni degli studi funzionali in PubMed.
- [ ] Se le prove erano insufficienti, non ho esitato a dire VUS e ho approvato io stesso la decisione.