변형 해석: VCF, HGVS 지정 및 ACMG 기준에 따른 병원성

이득:

• VCF 형식, HGVS 표기법(c./p./g.) 및 ACMG 병원성 기준을 이해하고 인공지능이 증거 초안을 생성하도록 하는 능력
• ClinVar 및 gnomAD와 같은 소스에서 각 ACMG 증거(인구 빈도, 인실리코, 분리, 문헌)를 개인적으로 확인할 수 있는 능력
• 게놈 버전을 포착하고 시스템 오류를 조정하는 원리를 적용하고 최종 병원성 분류를 인공 지능에 맡기지 않는 능력

개인의 게놈은 수백만 개의 지점에서 기준과 다릅니다. 이러한 차이의 대부분은 무해하며(“양성”) 일부는 질병을 유발합니다(“병원성”). 변이 해석은 차이가 어느 클래스에 속하는지 결정하는 작업이며 임상 유전학의 핵심입니다. 이 단원에서는 인공 지능(AI)을 변형 해석의 증거 수집, 요약 및 초안 작성 보조 도구로 사용하는 방법을 배웁니다. 그러나 최종 병원성 결정이 항상 전문가의 승인을 받아야 하는 이유를 알게 될 것입니다.

먼저 중요한 경고: AI에게 "이 변종은 병원성이 있나요?"라고 물어보세요. 당신이 묻는 한 단어로 된 대답을 절대 믿지 마십시오. AI는 증거 없이 자신 있게 수업을 말할 수 있습니다. 변종, 이전 임상 기록 또는 기능적 연구의 모집단 빈도에 적합할 수 있습니다. 올바른 접근 방식은 AI를 사용하여 증거 프레임워크를 구축하고 주요 소스에서 각 증거를 개인적으로 확인하는 것입니다.

기본 개념

• VCF(Variant Call Format): 샘플의 변형을 나열하는 표준 파일 형식입니다. 각 라인에는 염색체, 위치, 참조 염기, 대체 염기 및 품질 정보가 포함됩니다.
• HGVS 표기법: 변형이 포함된 표준 쓰기 형식입니다. 기음. 코딩 서열에서의 위치, p. 단백질 변화, g. 게놈 위치를 나타냅니다. 예를 들어 NM_000546.6:c.743G>A 및 p.Arg248Gln입니다.
• gnomAD: 수십만 명의 변종 빈도를 수집하는 데이터베이스. 이는 사회에서 변종이 얼마나 흔한지를 보여줍니다. 일반적인 변종은 일반적으로 병원성이 없습니다.
• ClinVar: 변종의 임상적 해석을 수집하는 공개 데이터베이스입니다.
• ACMG/AMP 기준: 변이를 병원성, 유사 병원성, 불확실한 유의성(VUS) 변종, 양성 가능성, 양성의 5가지 클래스로 나누는 미국 의학 유전학 협회의 증거 시스템.

ACMG 증거 코드: 간략한 지도

ACMG 시스템은 병원성 방향(PVS, PS, PM, PP)과 양성 방향(BA, BS, BP)의 증거 코드를 정의합니다. 이것들이 모여 클래스를 결정합니다. AI는 이러한 코드가 무엇을 의미하는지 설명하는 데 능숙하지만 실제로 코드가 구현된 데이터를 확인해야 합니다.

코드

의미(요약)

출처 확인하는 곳

PVS1

기능 상실로 이어지는 매우 강력한 증거(예: 조기 중단)

성적표, 도메인, 유전자-질병 관계

PS1/PS3

알려진 병원성과 동일한 아미노산/기능 연구

ClinVar, 동료 검토 기능 기사

PM2

매우 드물거나 인구 집단에 존재하지 않음

gnomAD 주파수

PP3/BP4

병원성/양성 방향의 전산 예측

추정 도구(합의)

BA1/BS1

병원성을 갖기에는 빈도가 너무 높음

gnomAD 주파수

BP6/PP5

(더 이상 권장되지 않음) 다른 사람의 해석에 의존

—

팁: PM2(희귀성) 및 BA1/BS1(공통성) 결정은 gnomAD 빈도에 직접적으로 기반을 두고 있으며 가장 쉽게 검증되는 증거입니다. 먼저 gnomAD의 변형을 참조하세요. 인구의 1% 이상에서 널리 퍼져 있는 변종은 병원성이 아닐 가능성이 높습니다.

단계별: AI 지원 변형 해석

1. 변형을 표준 표기법으로 수정합니다. 게놈 버전, 전사본, HGVS 표현을 명확히 합니다. AI의 변형 c. 둘 다 p. 둘 다 g. 그런 다음 유효성 검사기(예: VariantValidator)를 사용하여 확인합니다.

2. AI가 증거 프레임워크를 구축하도록 하세요. 각 ACMG 코드에 대해 “어떤 데이터를 봐야 합니까?” AI가 질문에 답하도록 하세요. 하지만 아직 클래스를 지정하지는 마세요.

3. 1차 출처에서 모든 증거를 확인합니다. gnomAD 빈도, ClinVar 기록, 기능 연구 — 모두 직접 열어서 읽어보세요. gnomAD에서 검색하여 AI의 "gnomAD에서 사용할 수 없음" 주장을 확인하세요.

4. 코드를 결합하고 클래스를 추출합니다. AI와 ACMG 조합 규칙 초안 작성 하지만 전문가가 최종 수업을 승인하도록 하세요.

5. VUS를 솔직하게 신고하세요. 증거가 불충분한 경우 해당 클래스는 "의미 불확실"입니다. 병원성이 있거나 양성이라고 밀어붙이는 것은 실수입니다.

세 개의 미니 케이스

사례 1 — 구성 주파수. 한 전문가가 AI에게 gnomAD 변종의 빈도에 대해 질문했습니다. AI는 “0.002%”라고 말했다. 전문가가 gnomAD를 직접 조사했을 때 변종의 빈도가 1.3%라는 사실을 발견했습니다. 즉, BS1(양성 방향에 강함)에 대한 증거가 유효하고 변종이 무해할 가능성이 가장 높다는 의미입니다. AI가 조작한 저주파로 인해 변종은 드물게 잘못 표시되었습니다.

사례 2 - 가짜 기능 연구. 한 연구원은 변형에 대해 PS3(기능 증명)을 구현하기를 원했습니다. AI가 설득력 있는 기사를 작성해 주었습니다. 연구자가 PubMed에 검색해 보니 그런 논문이 없는 것을 발견했습니다. 허위 귀속은 증거 사슬을 무너뜨릴 것입니다.

사례 3 — 확인을 받았습니다. 유전 상담사는 AI를 이용해 "병원성 가능성이 있는" 변종을 재평가했습니다. YZ는 ClinVar에 새로 추가된 상충되는 의견을 지적했습니다. 컨설턴트는 ClinVar를 열고 두 실험실에서 VUS에서 변종을 발견한 것을 확인하고 보고서를 업데이트했습니다. 여기에서 AI는 눈에 띄지 않았을 수도 있는 업데이트를 상기시켜줌으로써 도움을 주었지만, 결정은 인간이 내렸습니다.

복사 가능한 템플릿 4개

1) 증거 프레임워크 확립(학급에 알리지 않음):

귀하의 역할: 임상 변이 해석 보조원. 다음 변형에 대한 ACMG/AMP 증거 프레임워크를 설정합니다: [게놈 버전, 성적표, HGVS]. 가능한 각 증거 코드(PVS1, PS1-4, PM1-6, PP1-5, BA1, BS1-4, BP1-7)에 대해 "이를 적용하려면 어떤 데이터, 어떤 소스를 봐야 합니까?" 쓰다. 아직 수업을 말하지 마세요. 필요한 데이터만 나열하면 됩니다.

2) gnomAD/ClinVar 확인 계획:

다음 변형에 대해 gnomAD 및 ClinVar에서 정확히 무엇을 찾아야 하는지 단계별로 작성하십시오: [변종]. 어떤 모집단 빈도 임계값이 어떤 ACMG 코드에 해당하는지 설명하십시오. 당신은 가치를 구성하지 않습니다. 어디서 찾을 수 있는지 말해주세요.

3) 수업 개요(본인 승인):

나는 다음과 같은 검증된 증거를 제시했습니다: [PM2가 있음, PP3이 있음, BS1이 없음...].ACMG 조합 규칙에 따라 가능한 클래스와 정당화 초안을 작성합니다. 증거가 불충분할 경우 "VUS"라고 자유롭게 말씀해 주세요. 최종 결정을 승인하겠습니다.

4) 보고서 초안:

다음 분류를 환자와 의사에게 적합한 일반 언어로 된 보고서 단락으로 번역하십시오: [변형, 클래스, 주요 증거]. 확실성에 대한 주장을 과장하지 마십시오. 불확실한 점이 있으면 명확하게 기술하세요. 임상 결정은 전문가에게 문의하십시오.

약한 프롬프트 / 강한 프롬프트

약함: "TP53 c.743G>병원성인가요?"

문제: 게놈 버전/기록이 없고 증거가 필요하지 않습니다. AI는 클래스에 알리고 빈도를 구성할 수 있습니다.

Strong: "GRCh38, TP53 NM_000546.6:c.743G>A(p.Arg248Gln)에 대한 ACMG 증명 프레임워크를 설정합니다. 각 코드의 어떤 소스에서 무엇을 찾아야 하는지, 값 맞춤, 검증 후 클래스 초안을 알려주세요."

강력한 이유: 맥락이 ​​명확하고, 증거 경로가 열려 있으며, 조작 분야가 좁고, 결정은 개인의 손에 있습니다.

일반적인 실수

• 한 단어로 된 병원성 답변에 의존합니다. 일련의 증거가 없는 특정 클래스는 가치가 없습니다.
• 빈도와 속성을 확인하지 못했습니다. gnomAD 빈도와 기사 인용은 조정될 수 있습니다. 직접 열어보세요.
• VUS를 피합니다. 증거가 불충분할 때 "병원성/양성"이라고 말하는 것은 임상적 오류입니다.
• 게놈 버전/성적 셔플링. 잘못된 성적표, 잘못된 내용 c. 위치를 의미합니다.
• ClinVar 업데이트를 건너뛰는 중입니다. 해석은 시간이 지남에 따라 변합니다. 가장 최근의 기록을 확인하세요.

주의: ACMG 코드 결합은 규칙 기반이지만 전문가의 판단이 필요합니다. 동일한 증거라도 유전자-질병 상황에 따라 가중치가 다를 수 있습니다. AI의 조합은 최종 말이 아닌 청사진이다.

깊이: VCF 라인 및 주파수 임계값을 올바르게 판독

VCF 파일의 한 줄에도 많은 함정이 있습니다. 예시 라인: 17 43091983 . G A 60 패스 AF=0.0003;DP=45 GT:AD 0/1:22,23. 여기에서 AI가 필드를 설명하도록 할 수 있지만 세 가지 사항은 직접 확인하세요. 첫째, 염색체 위치 쌍은 어떤 게놈 버전에 속합니까? 동일한 변형이 GRCh37 및 GRCh38의 다른 위치에 나타납니다. 버전을 지정하지 않으면 위치는 의미가 없습니다. 두 번째는 GT(유전자형) 도메인입니다: 0/1 이형접합성, 1/1 동형접합성; 열성 질환에서 단일 이형접합 변이만으로는 설명이 되지 않습니다. 셋째, DP(읽기 깊이) 및 AD(대립유전자 깊이): 낮은 깊이(예: DP=8)는 변형 호출을 의심스럽게 만듭니다. 이 기술은 거짓 긍정일 수 있습니다. AI는 이러한 분야를 정식으로 설명하지만 “이 호출을 신뢰할 수 있습니까?” 결정은 당신의 것입니다.

빈도 임계값의 구체적인 예: 전문가는 열성 유전이 있는 희귀 질병의 변종에 PM2(희귀성)를 적용하기를 원했습니다. 인공 지능은 "gnomAD에는 없습니다. PM2는 확실히 있습니다."라고 말했습니다. 전문가가 gnomAD를 열었을 때 그는 해당 변종의 빈도가 하위 모집단에서 0.8%라는 것을 발견했습니다. 이는 질병의 유병률을 고려할 때 PM2를 배제할 수 있을 만큼 충분히 높은 수치입니다. 일반적인 실수는 전체 모집단 빈도를 살펴보고 하위 모집단을 건너뛰는 것입니다.

대립유전자 빈도(인구)

전형적인 ACMG 코멘트

참고

없음 / 매우 드물다

PM2를 지원할 수 있습니다

하위 모집단도 살펴보세요.

질병 유병률보다 높음

BS1(양성 강함)

열성/우성 구별이 중요합니다

5% 이상

BA1(독립 양성)

거의 확실하게 무해합니다.

5) VCF 라인 제어 템플릿:

다음 VCF 라인을 필드별로 설명하되 신뢰성 판단은 하지 마십시오. 게놈 버전, GT(접합성), DP 및 AD 필드를 별도로 해석하십시오. 이 통화가 기술적으로 의심스러울 수 있는 사례를 나열하세요. 줄: [붙여넣기].

요약하면

• 변형 해석은 증거 기반입니다. AI는 증거를 구성하고 요약하는 데 강력하지만 집단 결정은 전문가에게 달려 있습니다.
• 모든 증거(gnomAD 빈도, ClinVar 등록, 기능 연구)는 기본 소스에서 개인적으로 확인되어야 합니다.
• 게놈 버전, 전사본 및 HGVS별로 변종을 수정합니다. 검증인에게 확인하세요.
• 증거가 불충분할 경우 솔직한 대답은 '유의 불확실(VUS)'이다.

응용과제

예시 변형(예: ClinVar의 잘 알려진 기록)을 선택하세요. AI가 위의 템플릿 1과 2를 사용하여 증거 프레임워크를 구축하도록 하세요. 그런 다음 gnomAD 주파수를 열고 ClinVar가 직접 댓글을 달고 AI 주장과 비교해 보세요. 적어도 하나의 증거에서 AI와 소스 사이에 차이가 있는지 확인하고 가능한 클래스를 직접 정당화하십시오.

체크리스트

• [ ] 게놈 버전, 전사본, HGVS로 변종을 수정했습니다.
• [ ] 증명 프레임워크를 설정했는데, 처음부터 AI가 클래스를 말하게 하지 않았습니다.
• [ ] gnomAD 빈도를 직접 확인했습니다.
• [ ] ClinVar 등록 및 최신 상태를 확인했습니다.
• [ ] PubMed에서 기능적 연구 인용을 확인했습니다.
• [ ] 증거가 부족하면 주저하지 않고 VUS를 말하고 스스로 결정을 승인했습니다.