Zyski:
- Umiejętność zrozumienia formatu VCF, notacji HGVS (c./p./g.) i kryteriów patogeniczności ACMG oraz umiejętność przygotowania projektu dowodu przez sztuczną inteligencję
- Możliwość osobistej weryfikacji każdego dowodu ACMG (częstotliwość populacji, in silico, segregacja, literatura) w źródłach takich jak ClinVar i gnomAD
- Umiejętność stosowania zasad wyłapywania błędów wersji genomu i układu współrzędnych oraz nie pozostawiania ostatecznej klasyfikacji patogeniczności sztucznej inteligencji
Genom jednostki różni się od genomu w milionach punktów; Większość tych różnic jest nieszkodliwa („łagodna”), kilka powoduje chorobę („patogenną”). Interpretacja wariantów polega na podjęciu decyzji, do której klasy należy dana różnica, i stanowi sedno genetyki klinicznej. W tej jednostce dowiesz się, jak wykorzystać sztuczną inteligencję (AI) jako asystenta gromadzenia dowodów, podsumowań i opracowywania wersji wariantowych; ale dowiesz się, dlaczego ostateczna decyzja dotycząca patogeniczności powinna zawsze podlegać zatwierdzeniu przez eksperta.
Najpierw krytyczne ostrzeżenie: zapytaj sztuczną inteligencję „czy ten wariant jest patogenny?” Nigdy nie ufaj jednowyrazowej odpowiedzi, którą zadajesz. AI może śmiało powiedzieć klasę bez dowodów; może pasować do częstotliwości populacji wariantu, wcześniejszych zapisów klinicznych lub badań funkcjonalnych. Prawidłowym podejściem jest wykorzystanie sztucznej inteligencji do zbudowania ram dowodowych i osobista weryfikacja każdego dowodu u pierwotnego źródła.
Podstawowe pojęcia
- VCF (Format wywołania wariantu): standardowy format pliku, który wyświetla listę wariantów w próbce; Każda linia niesie informacje o chromosomie, pozycji, bazie odniesienia, alternatywnej podstawie i jakości.
- Notacja HGVS: standardowy format zapisu z wariantami. C. jego pozycja w sekwencji kodującej, s. 23. zmiana białka, g. Wskazuje lokalizację genomową. Na przykład NM_000546.6:c.743G>A i p.Arg248Gln.
- gnomAD: Baza danych gromadząca warianty częstotliwości setek tysięcy ludzi; Pokazuje, jak powszechny jest ten wariant w społeczeństwie. Typowe warianty na ogół nie są chorobotwórcze.
- ClinVar: Publiczna baza danych gromadząca interpretacje kliniczne wariantów.
- Kryteria ACMG/AMP: system dowodów American College of Medical Genetics, który dzieli wariant na pięć klas: patogenny, prawdopodobnie patogenny, wariant o niepewnym znaczeniu (VUS), prawdopodobnie łagodny, łagodny.
Kody dowodowe ACMG: krótka mapa
System ACMG definiuje kody dowodowe w kierunku patogenicznym (PVS, PS, PM, PP) i łagodnym (BA, BS, BP); Łączą się one w celu określenia klasy. Sztuczna inteligencja jest dobra w wyjaśnianiu, co oznaczają te kody, ale należy zweryfikować dane, na podstawie których kod jest faktycznie zaimplementowany.
Kod
Znaczenie (podsumowanie)
Gdzie sprawdzić źródło
PVS1
Bardzo mocne dowody prowadzące do utraty funkcji (np. wczesne przerwanie leczenia)
Transkrypcja, dziedzina, związek gen-choroba
PS1/PS3
To samo badanie aminokwasów/funkcjonalności, co znane patogeny
ClinVar, recenzowany artykuł funkcjonalny
PM2
Bardzo rzadkie/nieobecne w populacjach
częstotliwość gnomAD
PP3/BP4
Przewidywanie obliczeniowe w kierunku patogenicznym/łagodnym
Narzędzia estymacji (konsensus)
BA1/BS1
Częstotliwość zbyt wysoka, aby była chorobotwórcza
częstotliwość gnomAD
BP6/PP5
(Nie jest już zalecane) poleganie na czyjejś interpretacji
—
Wskazówka: Decyzje PM2 (rzadkość) i BA1/BS1 (powszechność) opierają się bezpośrednio na częstotliwości gnomAD i są najłatwiejszym do zweryfikowania dowodem. Najpierw zobacz wariant na gnomAD; Wariant występujący u ponad 1% populacji najprawdopodobniej nie jest chorobotwórczy.
Krok po kroku: interpretacja wariantów wspomagana sztuczną inteligencją
1. Napraw wariant w notacji standardowej. Wyjaśnij wersję genomu, transkrypt i reprezentację HGVS. Wariant AI zarówno c. obie str. zarówno G. , a następnie potwierdź to za pomocą walidatora (np. VariantValidator).
2. Niech sztuczna inteligencja zbuduje ramy dowodowe. Dla każdego kodu ACMG „na jakie dane powinienem zwrócić uwagę?” Niech sztuczna inteligencja odpowie na pytanie, ale nie określaj jeszcze klasy.
3. Zweryfikuj wszelkie dowody u pierwotnego źródła. Częstotliwość gnomAD, rekord ClinVar, badanie funkcjonalne — otwórz i przeczytaj je wszystkie samodzielnie. Sprawdź informację AI „niedostępna w gnomAD”, wyszukując ją w gnomAD.
4. Połącz kody i wyodrębnij klasę. Projekt zasad łączenia ACMG z AI; Ale niech ekspert zatwierdzi ostateczną klasę.
5. Zgłoś VUS uczciwie. Jeśli dowody są niewystarczające, klasą jest „Niepewne znaczenie”; Błędem jest promowanie go jako patogennego lub łagodnego.
trzy mini etui
Przypadek 1 – Częstotliwość wymyślona. Ekspert zapytał AI o częstotliwość występowania wariantu gnomAD; „0,002%” – stwierdziła sztuczna inteligencja. Kiedy ekspert sam sprawdził to w gnomAD, odkrył, że częstość występowania wariantu wynosiła 1,3%, co oznacza, że dowody na BS1 (silny w kierunku łagodnym) były ważne, a wariant był najprawdopodobniej nieszkodliwy. Sfabrykowana niska częstotliwość sztucznej inteligencji sprawiła, że wariant fałszywie wyglądał na rzadki.
Przypadek 2 — pozorowane badanie funkcjonalne. Badacz chciał wdrożyć PS3 (dowód funkcjonalny) w wariancie; AI podała przekonujący nagłówek artykułu. Kiedy badacz przeszukał PubMed, odkrył, że nie ma takiego artykułu. Fałszywe przypisanie spowodowałoby załamanie łańcucha dowodów.
Przypadek 3 – Uzyskane potwierdzenie. Doradca genetyczny ponownie ocenił „prawdopodobnie patogenny” wariant AI. YZ zwrócił uwagę na nowo dodane sprzeczne komentarze na temat ClinVar; Konsultant otworzył ClinVar, zobaczył, że dwa laboratoria wykryły wariant w VUS, i zaktualizował raport. W tym przypadku sztuczna inteligencja pomogła, przypominając nam o aktualizacji, która mogła pozostać niezauważona – ale znowu decyzję podjął człowiek.
Cztery szablony do kopiowania
1) Ustalenie ram dowodowych (bez konieczności mówienia klasie):
Twoja rola: asystent interpretacji wariantu klinicznego. Skonfiguruj ramy dowodowe ACMG/AMP dla następującego wariantu: [wersja genomu, transkrypt, HGVS]. Dla każdego możliwego kodu dowodowego (PVS1, PS1-4, PM1-6, PP1-5, BA1, BS1-4, BP1-7) „na jakie dane powinienem zwrócić uwagę, z jakiego źródła, aby to zastosować?” Pisać. Nie mów JESZCZE zajęcia; po prostu wypisz, jakie dane są wymagane.
2) Plan potwierdzenia gnomAD/ClinVar:
Napisz krok po kroku czego dokładnie mam szukać w gnomAD i ClinVar dla następującego wariantu: [wariant]. Wyjaśnij, który próg częstotliwości populacji odpowiada któremu kodowi ACMG. Nie wymyślasz wartości; powiedz mi, gdzie to znaleźć.
3) Konspekt zajęć (zatwierdzony przeze mnie):
Podałem następujące zweryfikowane dowody: [obecność PM2, obecność PP3, brak BS1...].Narysuj możliwą klasę i uzasadnienie zgodnie z zasadami kombinacji ACMG. Jeśli dowody są niewystarczające, możesz śmiało powiedzieć „VUS”. Zatwierdzę ostateczną decyzję.
4) Projekt raportu:
Przetłumacz następującą klasyfikację na akapit raportu prostym językiem odpowiednim dla pacjenta i lekarza: [wariant, klasa, kluczowy dowód]. Nie przesadzaj z twierdzeniami o pewności; jeżeli istnieje niepewność, należy to wyraźnie określić. Skonsultuj się ze specjalistą w celu uzyskania decyzji klinicznej.
Słaba zachęta/silna zachęta
Słabe: „Czy TP53 c.743G> jest patogenny?”
Problem: Nie ma wersji/transkrypcji genomu, nie są wymagane żadne dowody, sztuczna inteligencja może po prostu poinformować klasę i ustalić częstotliwość.
Strong: „Skonfiguruj środowisko testowe ACMG dla GRCh38, TP53 NM_000546.6:c.743G>A (p.Arg248Gln); powiedz mi, czego szukać, w jakim źródle każdego kodu, dopasowaniu wartości, szkic klasy po tym, jak ją zatwierdzę.”
Dlaczego jest potężny: Kontekst jest jasny, ścieżka dowodowa otwarta, pole fabrykacji zawężone, decyzja leży w rękach danej osoby.
Typowe błędy
- Opierając się na odpowiedzi na jednowyrazową patogeniczność. Dana klasa bez łańcucha dowodowego jest bezwartościowa.
- Brak weryfikacji częstotliwości i atrybucji. Można dostosować częstotliwość i cytowania artykułów gnomAD; Otwórz to sam.
- Unikanie VUS. Mówienie „patogenny/łagodny”, gdy dowody są niewystarczające, jest błędem klinicznym.
- Tasowanie wersji/transkrypcji genomu. Nieprawidłowy zapis, nieprawidłowy c. Oznacza lokalizację.
- Pomijanie aktualizacji ClinVar. Interpretacje zmieniają się z biegiem czasu; Sprawdź najnowszy rekord.
Uwaga: łączenie kodów ACMG opiera się na zasadach, ale wymaga oceny eksperta; Te same dowody mogą mieć różną wagę w różnych kontekstach chorób genetycznych. Połączenie sztucznej inteligencji to plan, a nie ostatnie słowo.
Głębokość: prawidłowy odczyt linii VCF i progów częstotliwości
Nawet pojedyncza linia w pliku VCF zawiera wiele pułapek. Przykładowa linia: 17 43091983 . G A 60 PASS AF=0,0003;DP=45 GT:AD 0/1:22,23. Możesz poprosić sztuczną inteligencję o wyjaśnienie pól tutaj, ale sam potwierdź trzy punkty. Po pierwsze, do której wersji genomu należy para pozycji chromosomu? Ten sam wariant pojawia się w innym miejscu w GRCh37 i GRCh38; Bez określenia wersji lokalizacja nie ma znaczenia. Druga to domena GT (genotyp): 0/1 heterozygotyczna, 1/1 homozygotyczna; W chorobie recesywnej sam pojedynczy wariant heterozygotyczny nie jest wyjaśniający. Po trzecie, DP (głębokość odczytu) i AD (głębokość alleli): mała głębokość (np. DP = 8) sprawia, że wywołanie wariantu jest wątpliwe; Technika ta może być fałszywie dodatnia. AI formalnie wyjaśnia te pola, ale „czy to wezwanie jest wiarygodne?” Decyzja należy do Ciebie.
Konkretny przykład progów częstotliwości: ekspert chciał zastosować PM2 (rzadkość) w przypadku wariantu rzadkiej choroby dziedziczonej recesywnie. Sztuczna inteligencja stwierdziła: „gnomAD tego nie ma, na pewno PM2”. Kiedy ekspert otworzył gnomAD, stwierdził, że częstość występowania wariantu wynosi 0,8% w subpopulacji – wystarczająco dużo, aby wykluczyć PM2, biorąc pod uwagę częstość występowania choroby. Częstym błędem jest patrzenie na ogólną częstotliwość populacji i pomijanie subpopulacji.
Częstotliwość alleli (populacja)
Typowy komentarz ACMG
uwaga
Brak / bardzo rzadkie
Może obsługiwać PM2
Spójrz także na subpopulacje
Wyższa niż częstość występowania choroby
BS1 (łagodny silny)
Rozróżnienie recesywne/dominujące jest ważne
wyższy niż 5%
BA1 (niezależny łagodny)
Prawie na pewno nieszkodliwy
5) Szablon kontroli linii VCF:
Wyjaśnij następujące pole linii VCF po polu, ale nie dokonuj oceny wiarygodności: interpretuj oddzielnie wersję genomu, pola GT (zygotyczność), DP i AD. Wymień przypadki, w których to połączenie może być wątpliwe pod względem technicznym. Linia: [wklej].
Podsumowując
- Interpretacja wariantów opiera się na dowodach; Sztuczna inteligencja jest potężna w formułowaniu i podsumowywaniu dowodów, ale decyzja klasy należy do eksperta.
- Wszelkie dowody (częstotliwość gnomAD, rejestracja ClinVar, badanie funkcjonalne) muszą zostać osobiście zweryfikowane u pierwotnego źródła.
- Napraw wariant według wersji genomu, transkryptu i HGVS; Potwierdź za pomocą weryfikatora.
- Jeśli dowody są niewystarczające, szczerą odpowiedzią jest „niepewne znaczenie (VUS)”.
Zadanie aplikacji
Wybierz przykładowy wariant (np. dobrze znana płyta z ClinVar). Niech sztuczna inteligencja zbuduje ramy dowodowe za pomocą szablonów 1 i 2 powyżej. Następnie otwórz częstotliwość gnomAD, a ClinVar sam skomentuj i porównaj je z twierdzeniami AI. Zwróć uwagę, czy istnieje różnica między sztuczną inteligencją a źródłem w przynajmniej jednym materiale dowodowym i samodzielnie uzasadnij możliwą klasę.
lista kontrolna
- [ ] Poprawiłem wariant z wersją genomu, transkryptem i HGVS.
- [ ] Stworzyłem framework dowodowy, nie kazałem AI mówić o klasie od początku.
- [ ] Osobiście sprawdziłem częstotliwość gnomAD.
- [ ] Potwierdzam rejestrację i aktualność ClinVar.
- [ ] Sprawdziłem cytaty z badań funkcjonalnych w PubMed.
- [ ] Jeżeli dowody były niewystarczające, nie wahałem się powiedzieć VUS i sam zatwierdziłem tę decyzję.