Enote
1. Uvod v umetno inteligenco v molekularni biologiji in genetiki: vloge, meje, validacija, etika in zasebnost 2. Analiza zaporedja DNA/RNA: poravnava, motiv, odprt bralni okvir in osnovna bioinformatika 3. Razlaga različice: Patogenost glede na VCF, oznako HGVS in merila ACMG 4. Struktura beljakovin in AlphaFold: napoved strukture branja, rezultati zaupanja in validacija 5. Podpora za oblikovanje CRISPR: izbira gRNA, neciljni učinek in eksperimentalna validacija 6. Analiza podatkov Omics: RNA-seq, izražanje, statistika in obogatitev poti 7. Pregled literature in znanstveno pisanje: preverjanje vira in tveganje lažnih navedb 8. Klinična razlaga: poročanje, strokovna odobritev, validacija in omejitve 9. Disciplina halucinacije in avtentikacije: izmišljeni geni, zaporedja, različice in pripisi 10. Etika, zasebnost in varstvo podatkov: Posebna odgovornost genetskih podatkov 11. Primer od konca do konca: Potovanje različice od odkritja do kliničnega poročila
Enota 3 / 11

Razlaga različice: Patogenost glede na VCF, oznako HGVS in merila ACMG

Dobički:

  • Sposobnost razumevanja formata VCF, zapisa HGVS (c./p./g.) in kriterijev patogenosti ACMG ter omogočiti, da umetna inteligenca pripravi osnutek dokazov
  • Sposobnost osebnega preverjanja vsakega dokaza ACMG (pogostnost populacije, in silico, segregacija, literatura) v virih, kot sta ClinVar in gnomAD
  • Sposobnost uporabe principov lovljenja različice genoma in napak koordinatnega sistema ter ne prepuščanja končne klasifikacije patogenosti umetni inteligenci

Posameznikov genom se od referenčnega razlikuje v milijonih točk; Večina teh razlik je neškodljivih ("benignih"), nekaj jih povzroča bolezen ("patogenih"). Razlaga variant je naloga odločanja, v kateri razred sodi razlika, in je srce klinične genetike. V tej enoti se boste naučili, kako uporabljati umetno inteligenco (AI) kot pomočnika pri zbiranju dokazov, povzemanju in pripravi osnutkov pri variantnem tolmačenju; vendar boste izvedeli, zakaj mora biti končna odločitev o patogenosti vedno predmet odobritve strokovnjaka.

Najprej kritično opozorilo: vprašajte AI ​​"ali je ta različica patogena?" Nikoli ne zaupajte enobesednemu odgovoru, ki ga vprašate. AI lahko samozavestno reče razred brez dokazov; lahko ustreza populacijski pogostnosti različice, prejšnjim kliničnim zapisom ali funkcionalnim študijam. Pravilen pristop je uporaba umetne inteligence za izgradnjo okvira dokazov in osebno preverjanje vsakega dokaza pri primarnem viru.

Osnovni pojmi

  • VCF (Variant Call Format): standardni format datoteke, ki navaja različice v vzorcu; Vsaka vrstica vsebuje informacije o kromosomu, položaju, referenčni bazi, alternativni bazi in kakovosti.
  • Zapis HGVS: Standardna pisna oblika z različicami. c. njegov položaj v kodirnem zaporedju, str. sprememba beljakovin, g. Označuje genomsko lokacijo. Na primer NM_000546.6:c.743G>A in p.Arg248Gln.
  • gnomAD: zbirka podatkov, ki zbira različne frekvence več sto tisoč ljudi; Prikazuje, kako pogosta je različica v družbi. Pogoste različice na splošno niso patogene.
  • ClinVar: javna baza podatkov, ki zbira klinične interpretacije različic.
  • Kriteriji ACMG/AMP: Sistem dokazov Ameriškega kolidža za medicinsko genetiko, ki deli različico v pet razredov: Patogena, Verjetno patogena, Variant of Uncertain Significance (VUS), Possibly Benign, Benign.

Dokazne kode ACMG: kratek zemljevid

Sistem ACMG določa šifre dokazov v patogeni smeri (PVS, PS, PM, PP) in v benigni smeri (BA, BS, BP); Ti se združijo, da določijo razred. AI je dober pri razlagi, kaj te kode pomenijo, vendar morate preveriti podatke o tem, katera koda je dejansko implementirana.

Koda

Pomen (povzetek)

Kje preveriti vir

PVS1

Zelo trdni dokazi, ki vodijo v izgubo delovanja (npr. zgodnja prekinitev)

Prepis, domena, razmerje med genom in boleznijo

PS1/PS3

Ista aminokislinska/funkcionalna študija kot znana patogena

ClinVar, recenzirani funkcionalni članek

PM2

Zelo redka/ni prisotna v populaciji

frekvenca gnomAD

PP3/BP4

Računalniška napoved v patogeno/benigni smeri

Orodja za ocenjevanje (soglasje)

BA1/BS1

Pogostost je previsoka, da bi bila patogena

frekvenca gnomAD

BP6/PP5

(Ni več priporočljivo) zanašanje na interpretacijo nekoga drugega

—

Namig: Odločitve PM2 (redkost) in BA1/BS1 (pogostost) temeljijo neposredno na frekvenci gnomAD in so najlažje preverljivi dokazi. Najprej si oglejte različico na gnomAD; Različica, ki prevladuje v več kot 1 % populacije, najverjetneje ni patogena.

Korak za korakom: interpretacija različice s pomočjo umetne inteligence

1. Popravite različico na standardni zapis. Pojasnite različico genoma, prepis in predstavitev HGVS. Različica iz AI obeh c. oba str. oba g. , nato potrdite s validatorjem (kot je VariantValidator).

2. Naj AI zgradi dokazni okvir. Za vsako kodo ACMG, "katere podatke naj pogledam?" Umetna inteligenca naj odgovori na vprašanje – vendar še ne navedite razreda.

3. Preverite vse dokaze pri primarnem viru. frekvenca gnomAD, zapis ClinVar, funkcionalna študija — odprite in preberite vse sami. Preverite trditev AI "ni na voljo v gnomAD" tako, da jo poiščete v gnomAD.

4. Združite kode in ekstrahirajte razred. Osnutek kombinacijskih pravil ACMG z AI; Toda naj strokovnjak potrdi končni razred.

5. Pošteno prijavite VUS. Če dokazi niso zadostni, je razred "Negotov pomen"; Napačno je, da ga predstavljamo kot patogenega ali benignega.

trije mini kovčki

Primer 1 – Izmišljena frekvenca. Strokovnjak je AI vprašal o pogostosti različice gnomAD; "0,002 %," je rekel AI. Ko je strokovnjak to sam pogledal na gnomAD, je ugotovil, da je bila pogostnost različice 1,3 % – kar pomeni, da so bili dokazi za BS1 (močan v benigni smeri) veljavni in je bila različica najverjetneje neškodljiva. Zaradi nizke frekvence, ki jo je ustvaril AI, se je različica lažno zdela redka.

Primer 2—navidezna funkcionalna študija. Raziskovalec je želel implementirati PS3 (funkcionalni dokaz) za različico; AI je napisal prepričljiv članek. Ko je raziskovalec iskal na PubMedu, je ugotovil, da takega članka ni. Lažno pripisovanje bi zrušilo verigo dokazov.

Primer 3 – Pridobljena potrditev. Genetski svetovalec je ponovno ocenil "možno patogeno" različico z AI. YZ je opozoril na novo dodane nasprotujoče si komentarje o ClinVar; Svetovalec je odprl ClinVar, videl, da sta dva laboratorija odkrila različico VUS, in posodobil poročilo. Tukaj je umetna inteligenca pomagala tako, da nas je spomnila na posodobitev, ki bi morda ostala neopažena – vendar se je spet odločil človek.

Štiri predloge za kopiranje

1) Vzpostavitev okvira dokazov (ne da bi razred povedal):

Vaša vloga: asistent pri interpretaciji kliničnih različic. Nastavite ogrodje dokazov ACMG/AMP za naslednjo različico: [različica genoma, prepis, HGVS]. Za vsako možno kodo dokaza (PVS1, PS1-4, PM1-6, PP1-5, BA1, BS1-4, BP1-7) »katere podatke naj pogledam, v katerem viru, da to uporabim?« Pišite. Ne reci ŠE razreda; samo navedite, kateri podatki so potrebni.

2) potrditveni načrt gnomAD/ClinVar:

Napišite korak za korakom, kaj točno naj iščem v gnomAD in ClinVar za naslednjo različico: [variant]. Pojasnite, kateri prag pogostnosti populacije ustreza kateri kodi ACMG. Ne izmišljate si vrednot; povej mi kje ga najdem.

3) Oris razreda (odobren z moje strani):

Podal sem naslednje preverjene dokaze: [PM2 je prisoten, PP3 je prisoten, BS1 je odsoten ...]. Osnutek možnega razreda in utemeljitve v skladu s pravili kombinacije ACMG. Lahko rečete "VUS", če dokazi niso zadostni. Potrdil bom končno odločitev.

4) Osnutek poročila:

Prevedite naslednjo razvrstitev v odstavek poročila v preprostem jeziku, ki je primeren za bolnika in zdravnika: [različica, razred, ključni dokaz]. Ne pretiravajte s trditvami o gotovosti; če obstaja negotovost, to jasno povejte. Za klinično odločitev se obrnite na specialista.

Šibek poziv/močan poziv

Slab: "Ali je TP53 c.743G>A patogen?"

Težava: ni različice/prepisa genoma, dokazi niso potrebni, umetna inteligenca lahko samo pove razredu in določi frekvenco.

Močno: "Nastavite dokazno ogrodje ACMG za GRCh38, TP53 NM_000546.6:c.743G>A (p.Arg248Gln); povejte mi, kaj naj iščem v katerem viru za vsako kodo, prileganje vrednosti, osnutek razreda, potem ko ga potrdim."

Zakaj je močan: Kontekst je jasen, dokazna pot odprta, polje izmišljotine zoženo, odločitev je v rokah osebe.

Pogoste napake

  • Zanašanje na enobesedni odgovor o patogenosti. Določen razred brez verige dokazov je ničvreden.
  • Neuspešno preverjanje pogostosti in pripisovanja. frekvenco gnomAD in citate člankov je mogoče prilagoditi; Odprite sami.
  • Izogibanje VUS. Reči "patogeno/benigno", ko dokazi niso zadostni, je klinična napaka.
  • Različica genoma/mešanje prepisa. Napačen prepis, nepravilna c. Pomeni lokacijo.
  • Preskok posodobitve ClinVar. Razlage se s časom spreminjajo; Preverite najnovejši zapis.
Pozor: združevanje kod ACMG temelji na pravilih, vendar zahteva strokovno presojo; Isti dokazi imajo lahko različno težo v različnih kontekstih genskih bolezni. Kombinacija umetne inteligence je načrt, ne zadnja beseda.

Globina: pravilno branje linije VCF in frekvenčnih pragov

Tudi ena vrstica v datoteki VCF vsebuje veliko pasti. Primer vrstice: 17 43091983. G A 60 PREHOD AF=0,0003;DP=45 GT:AD 0/1:22,23. Umetni inteligenci lahko tukaj razložite polja, tri točke pa potrdite sami. Prvič, kateri različici genoma pripada par položaja kromosoma? Ista različica se pojavi na drugem mestu v GRCh37 in GRCh38; Brez navedbe različice je lokacija brez pomena. Druga je domena GT (genotip): 0/1 heterozigot, 1/1 homozigot; Pri recesivni bolezni samo ena heterozigotna različica ni razlagalna. Tretjič, DP (globina branja) in AD (globina alela): nizka globina (npr. DP=8) naredi klic različice vprašljiv; Tehnika je lahko lažno pozitivna. AI razlaga ta polja formalno, toda "ali je ta klic zanesljiv?" Odločitev je vaša.

Konkreten primer frekvenčnih pragov: strokovnjak je želel uporabiti PM2 (redkost) za različico redke bolezni z recesivnim dedovanjem. Umetna inteligenca je rekla: "gnomAD je nima, PM2 zagotovo." Ko je strokovnjak odprl gnomAD, je ugotovil, da je imela različica 0,8-odstotno pogostnost v subpopulaciji – dovolj visoko, da je glede na razširjenost bolezni izključil PM2. Pogosta napaka je, da pogledamo celotno populacijsko frekvenco in preskočimo podpopulacije.

Frekvenca alelov (populacija)

Tipičen komentar ACMG

opomba

Nič / zelo redko

Lahko podpira PM2

Oglejte si tudi subpopulacije

Večja od razširjenosti bolezni

BS1 (močan benigni)

Pomembna je razlika med recesivno in dominantno

višji od 5%

BA1 (neodvisen benigni)

Skoraj zagotovo neškodljiv

5) Predloga za nadzor linije VCF:

Pojasnite naslednjo vrstico VCF polje za poljem, vendar ne presojajte zanesljivosti: ločeno interpretirajte različico genoma, GT (zigotnost), polja DP in AD. Navedite primere, v katerih je ta klic lahko tehnično sporen. Vrstica: [prilepi].

Če povzamem

  • Variantna razlaga temelji na dokazih; Umetna inteligenca je močna pri oblikovanju in povzemanju dokazov, vendar je odločitev o razredu prepuščena strokovnjaku.
  • Vse dokaze (frekvenca gnomAD, registracija ClinVar, funkcionalna študija) je treba osebno preveriti pri primarnem viru.
  • Popravite različico glede na različico genoma, prepis in HGVS; Potrdite z overiteljem.
  • Če dokazi niso zadostni, je pošten odgovor "Negotov pomen (VUS)."

Aplikacijska naloga

Izberite primer variante (npr. dobro znan zapis iz ClinVar). Naj AI zgradi dokazni okvir s predlogama 1 in 2 zgoraj. Nato odprite frekvenco gnomAD in ClinVar sami komentirajte in jih primerjajte s trditvami AI. Upoštevajte, ali obstaja razlika med AI in virom v vsaj enem dokazu in sami utemeljite možen razred.

kontrolni seznam

  • [ ] Različico sem popravil z različico genoma, transkriptom in HGVS.
  • [ ] Postavil sem dokazni okvir, nisem prisilil AI, da bi rekel razred od začetka.
  • [ ] Osebno sem preveril frekvenco gnomAD.
  • [ ] Potrdil sem registracijo in ažurnost ClinVar.
  • [ ] Preveril sem citate funkcionalne študije v PubMed.
  • [ ] Če dokazi niso bili zadostni, sem brez oklevanja rekel VUS in sem odločitev odobril.
nekdanji Naprej