Richtlinien zur Einreichung von Proben
Warum ein hoher Variantenwert keine Forschungs conclusion ist
Die Priorisierung von Varianten ist ein Problem der Evidenzintegration, kein Wettkampf zwischen Vorhersagewerten.
Ein Genom kann Millionen von Unterschieden zur Referenzsequenz aufweisen. Häufigkeits- und Qualitätsfilter reduzieren diese Zahl, aber die verbleibenden Kandidaten können sehr unterschiedliche biologische Fragestellungen repräsentieren: eine de novo kodierende Veränderung, zwei Varianten, die unter einem rezessiven Modell wirken, ein kryptisches Spleißereignis, eine regulatorische Veränderung im relevanten Zelltyp, ein strukturelles Ereignis oder eine mitochondriale Variante, deren Häufigkeit je nach Gewebe variiert.
Genomweite Scores sind wertvoll für die Reihenfolge von Kandidaten. CADD beispielsweise integriert viele Annotationen, um die relative Schädlichkeit von kodierenden und nicht-kodierenden Varianten zu schätzen. Die Entwickler warnen auch, dass kein einzelner Grenzwert für jede Studie korrekt ist und empfehlen, Scores zur Rangordnung zu verwenden, gefolgt von weiteren Untersuchungen. Überprüfen Sie die CADD-Studie.
Die gleiche Grenze gilt für neuere KI-Vorhersagen. Ein Modell kann die Auswirkungen einer Missense- oder Spleißänderung schätzen, es stellt jedoch nicht automatisch fest, dass das betroffene Gen den beobachteten Phänotyp erklärt, dass das Vererbungsmuster plausibel ist oder dass das Ereignis im relevanten Gewebe aktiv ist. Daher halten wir jede Evidenzfamilie sichtbar, anstatt das Projekt in einen unerklärten Score zu reduzieren.
Fragen, die eine Punktzahl nicht allein beantworten kann
- Wurde die Variante in dieser Probe zuverlässig erkannt?
- Ist es mit dem Stammbaum- oder Kohortendesign kompatibel?
- Entspricht das Gen dem spezifischen Phänotyp?
- Ist das Transkript oder das regulatorische Element hier aktiv?
- Verwenden unterstützende Werkzeuge überlappende Informationen?
- Welches Experiment würde konkurrierende Erklärungen unterscheiden?
Sechs Entscheidungen, bei denen wir Ihnen helfen.
Jede Entscheidung hat unterschiedliche Anforderungen an Beweise und unterschiedliche Fehlerarten.
1. Ist der Kandidat technisch glaubwürdig?
Wir überprüfen die Abdeckung, das allelische Gleichgewicht, den Mapping-Kontext, Muster von Strang und Leseposition, Filter für den Anrufsatz, die Identität der Proben und die Grenzen des Sequenzierungsdesigns. Eine biologische Rangfolge kann einen unzuverlässigen Anruf nicht reparieren. Zook und Salit beschreiben, warum Benchmark-Regionen, Variantenrepräsentation, Übereinstimmungsregeln und schwierige genomische Kontexte angegeben werden müssen, wenn kleine Variantenanrufe bewertet werden. Überprüfen Sie die Benchmarking-Richtlinien.
2. Passt es zum Studienphänotyp?
Wir wandeln verfügbare Merkmale in strukturierte Begriffe um, behalten bekannte und fehlende Befunde bei und vergleichen Kandidatengene mit kuratierten menschlichen und Modellorganismus-Phänotypen. Die Human Phenotype Ontology bietet ein berechenbares Vokabular für diese Aufgabe, während Studien mit Exomiser zeigen, wie die Ähnlichkeit von Phänotypen die Beweise auf Variantenebene ergänzen kann. Überprüfen Sie die Ontologie-Ressource. Überprüfen Sie die Exomiser-Bewertung.
3. Welches Erbschaftsmodell bleibt plausibel?
Wir erstellen modell-spezifische Kandidatenlisten, anstatt dominante, rezessive, X-chromosomale, mitochondriale, mosaikartige und somatische Hypothesen miteinander verschwimmen zu lassen. Die Familienstruktur, das Geschlecht, der Erkrankungsstatus, die Phase, die Penetranz und das Kohortendesign bestimmen, was abgeleitet werden kann. Ein negatives Segregationsergebnis kann einen Rang herabsetzen; fehlende Verwandte bleiben eine Unsicherheit und sind kein Beweis gegen den Kandidaten.
4. Ist der vorgeschlagene molekulare Effekt glaubwürdig?
Wir wählen Prädiktoren nach Variantenklasse aus und vermeiden es, korrelierte Werkzeuge als unabhängige Stimmen zu behandeln. Die Kalibrierungsarbeit von ClinGen empfiehlt kalibrierte Punktintervalle und generell die Verwendung einer ausgewählten computergestützten Methode für ein bestimmtes Evidenzkriterium, anstatt die Übereinstimmung unter überlappenden Prädiktoren zu zählen. Überprüfen Sie die Kalibrierungsstudie.
5. Besteht der Kandidat die Überprüfungen von Familie, Kohorte und Datenbank?
Wir untersuchen die Häufigkeit in der Bevölkerung, den Abstammungskontext, die interne Wiederholung, die Unterstützung durch nicht verwandte Fälle, die bekannte Gültigkeit von Gen-Krankheit-Zusammenhängen, Literaturdaten und Datenbankversionen. Eine seltene Variante ist nicht automatisch wichtig, und ein Datenbanklabel ist nicht zeitlos. Die Evidenzmatrix dokumentiert, woher jede Behauptung stammt und wann sie abgerufen wurde.
6. Was ist das informativste nächste Experiment?
Wir identifizieren die Unsicherheit, die die Entscheidung steuert: Anrufbestätigung, Phase, Segregation, Splice-Effekt, Transkriptverwendung, regulatorische Aktivität, Heteroplasmie oder Zellfunktion. Das nächste Experiment wird gewählt, weil ein positives oder negatives Ergebnis den Rang des Kandidaten ändern würde, nicht weil der Test verfügbar ist.
Ein Evidenzmodell, das verschiedene Ansprüche getrennt hält
Der endgültige Rang ist nachvollziehbar, da jede Evidenzschicht ihre eigene Bedeutung, Quelle und Unsicherheit hat.
| Ebenenschicht der Beweise | Was wir untersuchen | Was es unterstützen kann | Was es allein nicht beweisen kann |
|---|---|---|---|
| Technische Gültigkeit | Leseunterstützung, Tiefe, Ausrichtungs-Kontext, Stichproben-QC, Anruferausgabe, orthogonale Bestätigung | Das Ereignis ist wahrscheinlich im getesteten Material vorhanden. | Phänotyprelevanz oder biologischer Mechanismus |
| Bevölkerungsnachweise | Allelfrequenz, Abstammung, Homozygoten, Einschränkung, interne Kontrollen | Kompatibilität mit Seltenheit und einem angenommenen Modell | Kausalität einfach weil eine Variante selten ist |
| Vererbung und Segregation | Stammbaum, Betroffenheitsstatus, elterliche Herkunft, Phase, Mosaikismus, Penetranz | Kompatibilität mit einer definierten genetischen Hypothese | Eine vollständige Schlussfolgerung, wenn Verwandte fehlen oder der Phänotyp ungewiss ist. |
| Variantenwirkung | Konsequenz, Erhaltung, Protein-Kontext, Spleißvorhersage, regulatorische Annotation | Ein plausibler molekularer Einfluss, der Tests leiten kann. | Dass das betroffene Gen den Studienphänotyp erklärt. |
| Gen-Phänotyp-Evidenz | Strukturierte Phänotypen, Beginn, bekannte Krankheitsmechanismen, Modellorganismen und Nachweismethoden. | Wie gut der Kandidat mit der beobachteten Biologie übereinstimmt. | Dass die spezifische Variante die Genfunktion verändert. |
| Experimentelle Evidenz | RNA, Chromatin, Segregation, gezielte Sequenzierung, zelluläre oder Störungsassays | Direkte Unterstützung oder Widerspruch für einen definierten Mechanismus | Breitere Verallgemeinerung außerhalb des getesteten Gewebes und Systems |
Für jeden Kandidaten stellen wir die Rohbeobachtungen, transformierten Werte, Quelle und Version, unterstützende und widersprüchliche Beweise, fehlende Beweise sowie eine von Wissenschaftlern verfasste Begründung zur Verfügung. Die KI-unterstützten Literatur- und Annotationsschritte bleiben prüfbar; sie ersetzen nicht die Überprüfung des ursprünglichen Protokolls oder Papiers.
Variantklassen und Forschungsszenarien benötigen unterschiedliche Strategien.
Wir bauen die Analyse um den Mechanismus, den die Studie tatsächlich testen kann.
Seltene Programmierkandidaten in einer Familie
Für ein Trio oder eine erweiterte Pedigree vergleichen wir de novo-, rezessive-, compound heterozygote-, X-gebundene- und reduzierte Penetranzmodelle. Missense-Tools wie REVEL oder AlphaMissense können helfen, proteinverändernde Kandidaten zu bewerten, aber der Prädiktor wird als eine Evidenzart beibehalten. REVEL wurde als Ensemble für seltene Missense-Variationen entwickelt, und AlphaMissense bietet proteomweite Schätzungen der Missense-Effekte. Bewertung REVEL. Überprüfung von AlphaMissense.
Verdächtige Spleißunterbrechung
Wir bewerten kanonische und nahegelegene Spleißpositionen, tiefe intronische Kandidaten, Exon-Definition, Relevanz der Transkripte und vorhergesagte Donor- oder Akzeptoränderungen. SpliceAI zeigte, dass sequenzbasierte Deep Learning kryptische Spleißeffekte identifizieren kann, während die Autoren auch die Bedeutung von Transkriptnachweisen in einem geeigneten Gewebe hervorhoben. Überprüfen Sie die SpliceAI-Studie.
Nicht-kodierende oder regulatorische Kandidaten
Wir verbinden eine Variante mit Kandidaten-Promotoren, Enhancern, Chromatinzuständen, topologischem Kontext, Zielgenen und Phänotypen. Genomiser kombinierte regulatorische Scores, Allelfrequenzen, chromosomale Domänen und phänotypische Relevanz, was veranschaulicht, warum ein nicht-kodierender Score allein unvollständig ist. Überprüfen Sie das Genomiser-Framework.
Strukturelle, Kopienzahl- oder komplexe Ereignisse
Wir untersuchen die Qualität der Bruchpunkte, die Gen-Dosierung, die Orientierung, den Wiederholungskontext, die Phase, die betroffenen regulatorischen Regionen und die Konsistenz mit dem Test. Kleine Varianten-Prädiktoren werden nicht für strukturelle Ereignisse wiederverwendet. Wenn das ursprüngliche Experiment Bruchpunkte oder Phasen nicht auflösen kann, kann der geeignete nächste Schritt eine andere Sequenzierung anstelle eines weiteren Ranking-Algorithmus sein.
Mitochondriale Varianten
Wir betrachten die maternale Vererbung, Haplogruppen, Heteroplasmie, Gewebequelle, nukleäre mitochondriale Sequenzinterferenz und variantenspezifische funktionale Beweise. Die mitochondrialen Spezifikationen von ClinGen betonen, dass die Heteroplasmie zwischen Geweben variieren kann und dass kein einheitlicher Schwellenwert für alle Varianten gilt. Überprüfen Sie die mitochondrialen Spezifikationen.
Kohorten-, Modellorganismus- und Entdeckungsstudien
Für nicht verwandte Fälle, experimentelle Linien, Pflanzen, Tiere oder Mikroorganismen ersetzen wir klinische Annahmen durch das verfügbare Design: Wiederholung, Belastung, Verknüpfung, Segregation, Phänotypklasse, funktionelles Screening oder vergleichende Erhaltung. Das Ergebnis ist eine Forschungs-Shortlist und ein Evidenzplan, nicht ein individueller medizinischer Bericht.
Wann fokussierte experimentelle Beweise die Rangordnung ändern sollten
Wir empfehlen einen neuen Test erst, nachdem wir die Unsicherheit identifiziert haben, die er lösen soll.
| Evidenzlücke | Projektbezogene Option | Warum es die Entscheidung ändern kann |
|---|---|---|
| Das Projekt benötigt ein Set zur Entdeckung von Varianten im Code, eine tiefere Abdeckung oder einen Vergleich mit einem passenden Modellorganismus. | Humane und Maus Whole-Exome-Sequenzierung | Die Exom-Sequenzierung konzentriert das Experiment auf protein-codierende Regionen und unterstützt die Entdeckung kleiner Varianten. Wir definieren die Erfassungsgrenzen und betrachten nicht abgedeckte oder schlecht abgedeckte Regionen nicht als negative Evidenz. Überprüfen Sie die Empfehlungen zur Variantenbewertung. |
| Eine Shortlist benötigt gezielte Bestätigung, Segregation, tiefgehende Nachverfolgung oder maßgeschneiderte Abdeckung spezifischer Loci. | Gezielte Regionssequenzierung | Gezielte Nachverfolgung kann die Präsenz, allelische Fraktion und familiäre oder kohortenspezifische Wiederholung in vordefinierten Regionen testen. Sie ist am nützlichsten, nachdem Kandidaten und Entscheidungsschwellen festgelegt wurden. Das Bestätigungsdesign bewahrt einen unabhängigen Test, anstatt das ursprüngliche Ranking erneut zu öffnen. Überprüfen Sie die Benchmarking-Prinzipien. |
| Eine mitochondriale Hypothese hängt von niedriggradiger Heteroplasmie, der Gewebeauswahl oder der mütterlichen Segregation ab. | Mitochondriale DNA-Sequenzierung | Die mitochondriale Interpretation erfordert Heteroplasmie und den Kontext des Gewebes. Das ausgewählte Material und die Nachweisgrenze werden angegeben, da Blut oder ein entnommenes Gewebe möglicherweise nicht ein anderes Gewebe repräsentieren. Überprüfen Sie die Evidenzbasis. |
| Ein vorhergesagter Spleiß- oder Isoform-Effekt fehlt an direkten Transkriptnachweisen. | Vollständige Transkript-Sequenzierung | Vollständige Lesevorgänge können die Nutzung von Exonen und die Struktur von Transkripten innerhalb einzelner Moleküle verbinden. Das Gen muss im entnommenen Material exprimiert werden; das Fehlen in einem irrelevanten Gewebe wird nicht als Widerlegung betrachtet. Cummings et al. zeigten, wie die Transkriptom-Sequenzierung abnormale Expression und Spleißvorgänge aufdecken kann, die durch eine Analyse auf DNA-Ebene allein nicht gelöst werden konnten. Überprüfen Sie die Transkriptomstudie. |
| Ein nicht-kodierender Kandidat ist mit einem vorhergesagten regulatorischen Element verknüpft, aber seine Aktivität im relevanten Zellzustand ist unbekannt. | ATAC-seq | Die Chromatinzugänglichkeit kann zeigen, ob ein Kandidatenbereich in den getesteten Zellen oder Bedingungen offen ist. Sie unterstützt den regulatorischen Kontext, beweist jedoch nicht von sich aus, dass die Variante die Expression des Zielgens verändert. Buenrostro et al. etablierten ATAC-seq als einen genomweiten Test für offenes Chromatin und regulatorische Strukturen. Überprüfen Sie die ATAC-seq-Studie. |
| Viele Kandidatenvarianten oder Gene erfordern einen skalierbaren funktionalen Vergleich in einem definierten zellulären System. | CRISPR-Screen-Sequenzierung | Sequenzierungsbasierte Störungsbildschirme können funktionale Effekte unter einem vordefinierten Phänotyp bewerten. Das zelluläre Modell, das Editierdesign, die Kontrollen und die Auswertung bestimmen, was der Bildschirm unterstützen kann. Findlay et al. verwendeten eine Sättigungs-Genom-Editierung und Sequenzierung, um Tausende von BRCA1-Einzel-Nukleotid-Varianten zu messen, und veranschaulichten die Leistungsfähigkeit und die modellabhängigen Grenzen multipler funktionaler Beweise. Überprüfen Sie die Studie zur Sättigungsbearbeitung. |
Diese Routen sind Alternativen, kein festes Paket. Ein Projekt benötigt möglicherweise keine, eine oder eine gestaffelte Kombination. Wir definieren die Kandidatengruppe, positive und negative Kontrollen, Probeneinheit, Replikation, Analysegrenze und das Ergebnis, das jeden Kandidaten fördern oder herabstufen würde, bevor die Datenerzeugung erfolgt.
Ein nachverfolgbare Workflow von Variantensatz zur experimentellen Shortlist
Ein horizontaler Workflow hält die Beweise, Entscheidungen und Stopppunkte sichtbar.
| Bühne | Was wir tun | Entscheidungstor |
|---|---|---|
| 1. Definieren Sie die Forschungsfrage. | Sperren Sie die Beziehungen zwischen Organismus, Phänotyp, Probe, Variantenklassen, Vererbung oder Kohortenhypothesen sowie die beabsichtigte experimentelle Entscheidung. | Was würde als nützliche Shortlist gelten? |
| 2. Auditdaten und Anrufe | Überprüfen Sie den Referenzaufbau, das Sequenzierungsdesign, die Proben-QC, die Anrufqualität, die Kompatibilität der Annotation und bekannte blinde Flecken. | Welche Variantenklassen kann die Daten unterstützen? |
| 3. Erstellen Sie modell-spezifische Kandidatensätze | Wenden Sie Qualitäts-, Häufigkeits-, Regions-, Vererbungs-, Segregations- und Kohortenfilter an, ohne inkompatible Hypothesen zu kombinieren. | Welche Kandidaten überstehen jedes Modell? |
| 4. Beweise integrieren | Fügen Sie molekulare Effekte, Phänotyp, Genvalidität, Signalweg, Gewebe, Literatur und Datenbanknachweise mit Versionen und Links hinzu. | Welche Unterstützung ist unabhängig, widersprüchlich oder fehlt? |
| 5. Überprüfen und bewerten | Vergleichen Sie Kandidaten in einer Evidenzmatrix. Wissenschaftler prüfen hochpriorisierte Anrufe, Modellannahmen und KI-unterstützte Zusammenfassungen. | Welche Kandidaten rechtfertigen jetzt Maßnahmen? |
| 6. Fokussierte Beweise generieren | Bestätigen Sie Anrufe, testen Sie die Segregation, messen Sie Transkripte oder Chromatin oder führen Sie ein funktionales Experiment durch, wenn das Ergebnis die Rangfolge ändern kann. | Unterstützt, schwächt oder lässt die neue Evidenz die Hypothese ungelöst? |
| 7. Bericht und Version | Liefern Sie rangierte Listen, Evidenzdossiers, Ausschlüsse, reproduzierbare Dateien und einen Reanalyseplan, der an Daten- und Wissensversionen gebunden ist. | Vorankommen, testen, überwachen oder stoppen |
Was für eine verteidigbare Priorisierungsstudie bereitgestellt werden muss
Gute Metadaten können die Antwort mehr verändern als das Hinzufügen eines weiteren Vorhersagewerkzeugs.
| Eingabekategorie | Bevorzugte Materialien | Warum es wichtig ist |
|---|---|---|
| Forschungsfrage | Organismus, Phänotyp oder Prüfendpunkt, betroffenes Gewebe, potenzieller Mechanismus, beabsichtigte nächste Entscheidung und bekannte Ausschlüsse | Definiert relevante Beweise und verhindert eine ungezielte Einstufung. |
| Genomdaten | FASTQ, ausgerichtete Reads, VCF oder gVCF, Dateien zu strukturellen Varianten, Referenzaufbau, Versionsnummern der Caller, QC-Berichte und Abdeckungszusammenfassungen | Ermöglicht die Überprüfung technischer Beweise und blinder Flecken. |
| Muster und Beziehungen | Stammbaum oder Kohortenmanifest, betroffener Status, Geschlecht, elterliche oder replizierte Beziehungen, Gewebe, Zeitpunkt, Behandlung und Charge | Unterstützt Vererbung, Segregation, Wiederholung und Verwirrungsprüfungen. |
| Phänotyp und Biologie | Strukturierte oder narrative Merkmale, Beginn, fehlende Befunde, Assay-Phänotypen, Hypothesen zu Signalwegen und relevante Beobachtungen an Modellorganismen | Verbindet Gen- und Variantenbeweise mit der tatsächlichen Studie. |
| Vorherige Interpretation | Vorhandene Shortlist, Filterregeln, überprüfte Varianten, Bestätigungsergebnisse, Literatur, Datenbankschnappschüsse und Ausschlussgründe | Bewahrt vorheriges Wissen und legt Unterschiede in der Interpretation offen. |
| Experimentelle Materialien | Verfügbare DNA, RNA, Zellen, Gewebe, Familienstichproben, Modellsysteme und Machbarkeitsbeschränkungen | Bestimmt, welche Evidenzlücken direkt getestet werden können. |
| Datenverwendungsgrenzen | Erlaubte Datenbanken, Anforderungen an sichere Berechnungen, Berichtsbeschränkungen und erforderliche Ausgabeformate | Definiert die Analysegrenze und den Lieferplan. |
Projekte können aus Rohsequenzierung, einem gefilterten Anrufsatz oder einer bestehenden Shortlist beginnen. Wenn nur verarbeitete Ergebnisse verfügbar sind, geben wir an, welche technischen und Erblichkeitsprüfungen nicht wiederholt werden können. Die Anforderungen an Proben für jede neue Analyse werden bereitgestellt, nachdem der Mechanismus und das Design vereinbart wurden.
Liefergegenstände, die die nächste Forschungsentscheidung unterstützen
Das Ergebnis ist so konzipiert, dass es überprüft, hinterfragt, aktualisiert und zur Planung von Experimenten verwendet werden kann.
Rangiertes Evidenzpaket
- Modellspezifische Kandidatenlisten
- Variant- und Gen-Rankings
- Evidenzmatrix
- Unterstützende und widersprüchliche Ergebnisse
- Ausschlusskandidatenprotokoll
Mechanismusüberprüfung
- Folge und Transkript-Kontext
- Phänotyp und Pfadanpassung
- Vererbung und Segregation
- Bevölkerungs- und Kohortenbeweise
- Vertrauen und Unsicherheit
Aktionsplan
- Anrufbestätigungsprioritäten
- Fokussierte experimentelle Optionen
- Entscheidungsändernde Ergebnisse
- Reproduzierbare Tabellen und Abbildungen
- Versionierte Reanalyse-Auslöser
Wir können Dossiers auf Variantenebene, Zusammenfassungen auf Genebene, Stammbaum- oder Kohortenansichten, Evidenz-Hitzekarten, Kontext zu Signalwegen, prüfbereite Tabellen und Analyse-Dateien bereitstellen. Jeder Kandidat gibt an, warum er eingestuft ist, was seine Priorität senken oder erhöhen würde und welche Schlussfolgerung außerhalb der verfügbaren Evidenz liegt.
Wissen verändert sich. Neue Gene-Phänotyp-Beziehungen, Datenbankklassifikationen, Transkripte, Populationsdaten und funktionale Studien können eine Kurzliste ändern, ohne die ursprüngliche Sequenz zu verändern. Der Bericht dokumentiert daher den Referenzaufbau, die Annotationsquellen, Software- und Datenbankversionen, Abrufdaten und praktische Auslöser für eine Wiederanalyse.
Referenzen
- Rentzsch P, Witten D, Cooper GM, Shendure J, Kircher M. CADD: Vorhersage der Schädlichkeit von Varianten im gesamten menschlichen Genom. Nukleinsäurenforschung2019.
- Pejaver V, Byrne AB, Feng BJ, et al. Kalibrierung von computergestützten Werkzeugen zur Klassifizierung der Pathogenität von Missense-Varianten und ClinGen-Empfehlungen für die Kriterien PP3/BP4. Das Amerikanische Journal für Humangenetik. 2022.
- Ioannidis NM, Rothstein JH, Pejaver V, et al. REVEL: ein Ensemble-Verfahren zur Vorhersage der Pathogenität seltener Missense-Varianten. Das Amerikanische Journal für Humangenetik. 2016.
- Cheng J, Novati G, Pan J, et al. Genauige proteomweite Vorhersage der Auswirkungen von Missense-Varianten mit AlphaMissense. Wissenschaft. 2023.
- Jaganathan K, Kyriazopoulou Panagiotopoulou S, McRae JF, et al. Vorhersage von Spleißvorgängen aus der Primärsequenz mit Deep Learning. Zelle. 2019.
- Köhler S, Gargano M, Matentzoglu N, et al. Die Humane Phänotyp-Ontologie im Jahr 2021. Nukleinsäurenforschung. 2021.
- Bone WP, Washington NL, Buske OJ, et al. Die computergestützte Auswertung von Exom-Sequenzdaten unter Verwendung von menschlichen und Modelltier-Phänotypen verbessert die diagnostische Effizienz. Genetik in der Medizin. 2016.
- Smedley D, Schubach M, Jacobsen JOB, et al. Ein ganzes Genom-Analyse-Framework zur effektiven Identifizierung von pathogenen regulatorischen Varianten bei Mendel’schen Erkrankungen. Das American Journal of Human Genetics. 2016.
- McCormick EM, Lott MT, Dulik MC, et al. Spezifikationen der ACMG/AMP-Standards und -Richtlinien zur Interpretation von Varianten in mitochondrialer DNA. Menschliche Mutation. 2020.
- Zook JM, Salit M. Best Practices für das Benchmarking von Keimbahn-Kleinvariantenausgaben in menschlichen Genomen. Naturwissenschaftliche Biotechnologie. 2019.
- Vestito L, Jacobsen JOB, Walker S, et al. Effiziente Neuinterpretation seltener Krankheitsfälle mit Exomiser. npj Genomische Medizin. 2024.
- Cummings BB, Marshall JL, Tukiainen T, et al. Verbesserung der genetischen Diagnostik bei Mendel’schen Erkrankungen durch Transkriptom-Sequenzierung. Wissenschaftliche Übersetzungen in der Medizin. 2017.
- Buenrostro JD, Giresi PG, Zaba LC, Chang HY, Greenleaf WJ. Transposition von nativer Chromatin für schnelles und sensibles epigenomisches Profiling von offenem Chromatin, DNA-bindenden Proteinen und Nukleosomenposition. Naturmethoden. 2013.
- Findlay GM, Daza RM, Martin B, et al. Genauigkeit der Klassifizierung von BRCA1-Varianten mit Sättigungs-Genom-Editing. Natur. 2018.
Beispielbericht zur Priorisierung genomischer Varianten
Die Demo zeigt, wie sich die Rangfolge der Kandidaten ändert, wenn technische, erbliche, phänotypische, molekulare Effekte und experimentelle Beweise hinzugefügt werden. Sie zeigt auch, warum ein Kandidat ausgeschlossen oder beibehalten wurde.
Ein projektspezifischer Bericht kann eine Überprüfung der Sprachqualität, abstammungsbewusste Kandidatenlisten, Phänotypähnlichkeit, Populationsevidenz, Transkript- und Protein-Kontext, Splicing- oder regulatorische Vorhersagen, Literaturherkunft, unterstützende und widersprüchliche Beweise sowie eine experimentelle Entscheidungstabelle enthalten. Angezeigte Werte sind auf die Studie zugeschnitten und werden niemals als universelle Grenzwerte präsentiert.
FAQs zur KI-gestützten Priorisierung genomischer Varianten
1. Ist dies ein klinischer Diagnoseservice?
Nein. Diese Lösung unterstützt die Priorisierung von Forschungsprojekten und die Planung von Experimenten. Sie bietet keine individuelle klinische Diagnose, Behandlungsempfehlung oder medizinischen Bericht.
2. Können Sie mit unseren bestehenden VCF- und Phänotypnotizen beginnen?
Ja. Wir können mit einer VCF, einem Stammbaum oder einem Kohortenmanifest, Phänotypnotizen und einer vorherigen Shortlist beginnen. BAM- oder CRAM-Dateien und Informationen zur Abdeckung ermöglichen eine stärkere technische Überprüfung. Wenn rohe oder ausgerichtete Reads nicht verfügbar sind, wird diese Einschränkung vermerkt.
3. Entscheidet KI, welche Variante kausal ist?
Nein. KI kann helfen, Annotationen zu organisieren, Phänotypen zu vergleichen, Literatur abzurufen und Beweise zu bewerten. Wissenschaftler überprüfen die Quellaufzeichnungen, Modellannahmen, Konflikte und Unsicherheiten. Das Ergebnis ist eine Forschungsauswahl, keine automatisierte kausale Erklärung.
4. Welche Variantenarten können einbezogen werden?
Je nach den Eingabedaten können wir Einzel-Nukleotidänderungen, kleine Insertionen und Deletionen, Kandidaten in Splicing-Regionen und nicht-kodierenden Regionen, mitochondriale Varianten, Änderungen der Kopienzahl und strukturelle Ereignisse untersuchen. Jede Klasse verwendet unterschiedliche Qualitäts- und Wirkungshinweise.
5. Verwenden Sie einen festen Pathogenitätsgrenzwert?
Nein. Schwellenwerte hängen von der Variantenklasse, der Evidenzkalibrierung, dem Studiendesign, dem Vererbungsmodell und der beabsichtigten Maßnahme ab. Wir zeigen den ursprünglichen Score und seine Quelle, behandeln jedoch keinen Cutoff als ausreichend für alle Projekte.
6. Können Sie Varianten ohne ein detailliertes Phänotyp priorisieren?
Ja, aber das Ergebnis hängt stärker von Frequenz, Vererbung, molekularem Effekt, Kohortenwiederholung, Weg oder experimentellem Phänotyp ab. Wir weisen darauf hin, wie fehlende oder breite Phänotypinformationen das Ranking auf Genebene einschränken.
7. Wie gehen Sie mit Varianten ungewisser Bedeutung um?
Wir identifizieren, welche Beweise fehlen oder widersprüchlich sind, und bewerten mögliche nächste Schritte. Ein Kandidat wird nicht einfach deshalb befördert, weil mehrere Vorhersagewerkzeuge übereinstimmen. Transkript-, Segregations-, regulatorische oder funktionale Beweise können informativer sein.
8. Können Sie eine zuvor negative Studie neu analysieren?
Ja. Wir vergleichen den ursprünglichen Referenzaufbau, die Anrufmenge, Phänotypbegriffe, das Wissen über Gene-Krankheiten, Datenbanken, Transkripte und Filterregeln mit den aktuellen Versionen. Eine Neuanalyse kann eine Variante nicht wiederherstellen, die der ursprüngliche Test nicht beobachten konnte, daher werden zuerst die Abdeckung und die technologischen Grenzen überprüft.
9. Wann wird zusätzliche Sequenzierung empfohlen?
Nur wenn eine spezifische Evidenzlücke die Entscheidung ändern kann. Beispiele hierfür sind gezielte Bestätigungen, fehlende Familienmitglieder, unzureichende mitochondriale Tiefe, ungelöste Transkriptstrukturen oder ein regulatorisches Gebiet, das im ursprünglichen Design nicht gemessen wurde.
10. Welche Dateien werden geliefert?
Typische Ergebnisse umfassen rangierte Varianten- und Gen-Tabellen, eine Evidenzmatrix, Überprüfungsnotizen, Quellen- und Versionsaufzeichnungen, visuelle Zusammenfassungen, Gründe für den Ausschluss von Kandidaten, Validierungsprioritäten und einen Wiederanalysierungsplan. Die genauen Formate werden bei der Projektaufnahme vereinbart.
Veröffentlichte Fallstudie
Unabhängiges Forschungs-Highlight
Die Neuanalyse verwandelte eine große ungelöste Kohorte in eine gezielte Überprüfungswarteschlange.
Diese Veröffentlichung ist ein unabhängiges Forschungsbeispiel. Es handelt sich nicht um ein Kundenprojekt von CD Genomics.
Hintergrund
Vestito et al. untersuchten, wie phänotypgesteuerte Neuanalysen zuvor ungelöste Fälle des gesamten Genoms erneut betrachten könnten, da sich das Wissen über Krankheiten und Gene sowie die Klassifikationen von Varianten änderten. Die Ausgangskohorte umfasste 24.015 ungelöste Teilnehmer des 100.000 Genomes Project, die bereits auf Varianten in bekannten Krankheitsgenen untersucht worden waren.
Methoden
Die Autoren führten Exomiser mit aktualisiertem Wissen erneut aus und bewerteten schrittweise Filter, die darauf ausgelegt waren, neu relevante Kandidaten hervorzuheben. Ihre Strategie nutzte Phänotypähnlichkeit, Variantenfolgen, Vererbungskompatibilität, aktualisierte Gen-Krankheits-Beziehungen und eine automatisierte Klassifikationskomponente. Die Analyse konzentrierte sich darauf, die Anzahl der Kandidaten, die eine manuelle Neuinterpretation erforderten, zu reduzieren, während bekannte Neuanalyseergebnisse beibehalten wurden.
Ergebnisse
Die Neuanalyse identifizierte Diagnosen bei 463 Teilnehmern, was 2 % der ungelösten Kohorte entspricht. Die optimierte Strategie erreichte eine Rückrufquote von 82 % und eine Präzision von 88 % bei der Hervorhebung neuer Kandidaten und reduzierte die Überprüfungsbelastung auf durchschnittlich ein oder zwei Kandidaten pro Fall. Die Studie zeigte auch, dass aktualisiertes Wissen über Krankheiten, Gene, Phänotypen und Varianten – nicht nur ein neues Sequenzexperiment – einen alten Datensatz neu informativ machen kann.
Warum es wichtig ist
Ein nützlicher Priorisierungsworkflow muss versioniert und wiederholbar sein. Er sollte einen Kandidaten unterscheiden, der aufgrund veränderter Kenntnisse übersehen wurde, von einem, der im ursprünglichen Test niemals beobachtbar war. Außerdem sollte er eine handhabbare, erklärbare Überprüfungsliste erzeugen, anstatt eine lange Liste, die die gesamte Last auf den Forscher überträgt.
Fazit
Die Studie unterstützt ein praktisches Design für die Wiederanalyse von Forschung: Wissen systematisch aktualisieren, Phänotyp und Vererbungskontext bewahren, Berechnungen nutzen, um den Suchraum zu reduzieren, und die Expertenbewertung für die endgültige Interpretation beibehalten.
Open-Access-Hinweis: Der Artikel ist unter der Creative Commons Namensnennung-Nicht kommerziell-Keine Bearbeitungen 4.0 International Lizenz lizenziert. Diese Seite fasst die Studie zusammen, ohne ihre Abbildungen zu reproduzieren oder anzupassen.
Referenz
- Vestito L, Jacobsen JOB, Walker S, et al. Effiziente Neuinterpretation seltener Krankheitsfälle mit Exomiser. npj Genomische Medizin. 2024.
Ausgewählte Veröffentlichungen
Diese unabhängigen Publikationen bieten die methodologische Grundlage für diese Lösung. Sie werden nicht als Kundenprojekte von CD Genomics präsentiert.
- Rentzsch P, Witten D, Cooper GM, Shendure J, Kircher M. CADD: Vorhersage der Schädlichkeit von Varianten im gesamten menschlichen Genom. Nukleinsäurenforschung. 2019.
- Pejaver V, Byrne AB, Feng BJ, et al. Kalibrierung von computergestützten Werkzeugen zur Klassifizierung der Pathogenität von Missense-Varianten und ClinGen-Empfehlungen für die Kriterien PP3/BP4. Das American Journal of Human Genetics. 2022.
- Ioannidis NM, Rothstein JH, Pejaver V, et al. REVEL: ein Ensemble-Verfahren zur Vorhersage der Pathogenität seltener Missense-Varianten. Das American Journal of Human Genetics. 2016.
- Cheng J, Novati G, Pan J, et al. Genauige proteomweite Vorhersage der Auswirkungen von Missense-Varianten mit AlphaMissense. Wissenschaft. 2023.
- Jaganathan K, Kyriazopoulou Panagiotopoulou S, McRae JF, et al. Vorhersage von Spleißvorgängen aus der Primärsequenz mit Deep Learning. Zelle. 2019.
- Köhler S, Gargano M, Matentzoglu N, et al. Die Human Phenotype Ontology im Jahr 2021. Nukleinsäurenforschung. 2021.
- Bone WP, Washington NL, Buske OJ, et al. Die computergestützte Auswertung von Exomsequenzdaten unter Verwendung von menschlichen und Modelltier-Phänotypen verbessert die diagnostische Effizienz. Genetik in der Medizin. 2016.
- Smedley D, Schubach M, Jacobsen JOB, et al. Ein ganzes Genom-Analyse-Framework zur effektiven Identifizierung von pathogenen regulatorischen Varianten bei Mendelschen Erkrankungen. Das American Journal of Human Genetics. 2016.
- McCormick EM, Lott MT, Dulik MC, et al. Spezifikationen der ACMG/AMP-Standards und -Richtlinien zur Interpretation von Varianten in mitochondrialer DNA. Menschliche Mutation. 2020.
- Zook JM, Salit M. Best Practices für das Benchmarking von Keimbahnkleinvariantenaufrufen in menschlichen Genomen. Naturbiotechnologie. 2019.
- Vestito L, Jacobsen JOB, Walker S, et al. Effiziente Neuinterpretation seltener Krankheitsfälle mit Exomiser. npj Genomische Medizin. 2024.
- Cummings BB, Marshall JL, Tukiainen T, et al. Verbesserung der genetischen Diagnostik bei Mendelschen Krankheiten durch Transkriptom-Sequenzierung. Wissenschaftliche Translationalmedizin. 2017.
- Buenrostro JD, Giresi PG, Zaba LC, Chang HY, Greenleaf WJ. Transposition von nativer Chromatin für eine schnelle und empfindliche epigenomische Profilierung von offenem Chromatin, DNA-bindenden Proteinen und Nukleosomenposition. Naturmethoden2013.
- Findlay GM, Daza RM, Martin B, et al. Genau Klassifizierung von BRCA1-Varianten mit Sättigungs-Genom-Editing. Natur. 2018.
