Directives de soumission d'échantillons
Pourquoi un score de variante élevé n'est pas une conclusion de recherche
La priorisation des variants est un problème d'intégration des preuves, pas un concours entre les scores de prédiction.
Un génome peut contenir des millions de différences par rapport à la séquence de référence. Des filtres de fréquence et de qualité réduisent ce nombre, mais les candidats restants peuvent représenter des questions biologiques très différentes : un changement codant de novo, deux variantes agissant selon un modèle récessif, un événement d'épissage cryptique, un changement régulatoire dans le type cellulaire pertinent, un événement structurel, ou une variante mitochondriale dont l'abondance varie selon les tissus.
Les scores à l'échelle du génome sont précieux pour classer les candidats. CADD, par exemple, intègre de nombreuses annotations pour estimer la nocivité relative des variantes codantes et non codantes. Ses développeurs mettent également en garde contre le fait qu'aucun seuil unique n'est correct pour chaque étude et recommandent d'utiliser les scores pour le classement, suivis d'une enquête plus approfondie. Examinez l'étude CADD.
La même limite s'applique aux prédictions des nouvelles IA. Un modèle peut estimer l'effet d'un changement de missense ou d'épissage, mais cela n'établit pas automatiquement que le gène affecté explique le phénotype observé, que le mode d'hérédité est plausible ou que l'événement est actif dans le tissu pertinent. Nous gardons donc chaque famille de preuves visible au lieu de réduire le projet à un seul score inexpliqué.
Des questions auxquelles un score ne peut pas répondre seul.
- Le variant a-t-il été identifié de manière fiable dans cet échantillon ?
- Est-il compatible avec le design de pedigree ou de cohorte ?
- Le gène correspond-il au phénotype spécifique ?
- Le transcrit ou l'élément régulateur est-il actif ici ?
- Les outils de soutien utilisent-ils des informations qui se chevauchent ?
- Quelle expérience permettrait de distinguer les explications concurrentes ?
Six décisions que nous vous aidons à prendre
Chaque décision a des exigences de preuve différentes et un mode de défaillance différent.
1. Le candidat est-il techniquement crédible ?
Nous examinons la couverture, l'équilibre allélique, le contexte de cartographie, les motifs de brin et de position de lecture, les filtres de jeu d'appels, l'identité des échantillons et les limites de la conception de séquençage. Un classement biologique ne peut pas réparer un appel peu fiable. Zook et Salit décrivent pourquoi les régions de référence, la représentation des variants, les règles de correspondance et les contextes génomiques difficiles doivent être énoncés lors de l'évaluation des appels de petits variants. Examinez les directives de benchmarking.
2. Cela correspond-il au phénotype de l'étude ?
Nous convertissons les caractéristiques disponibles en termes structurés, conservons les débuts et les constatations absentes lorsqu'elles sont connues, et comparons les gènes candidats avec les phénotypes humains et des organismes modèles soigneusement sélectionnés. L'Ontology des Phénotypes Humains fournit un vocabulaire calculable pour cette tâche, tandis que les études d'Exomiser montrent comment la similarité des phénotypes peut compléter les preuves au niveau des variants. Examinez la ressource ontologique. Examinez l'évaluation d'Exomiser.
3. Quel modèle d'héritage reste plausible ?
Nous générons des listes de candidats spécifiques au modèle plutôt que de laisser les hypothèses dominantes, récessives, liées à l'X, mitochondriales, mosaïques et somatiques se mélanger. La structure familiale, le sexe, le statut d'affection, la phase, la pénétrance et la conception de la cohorte définissent ce qui peut être inféré. Un résultat de ségrégation négatif peut abaisser un rang ; les parents manquants restent une incertitude, et non une preuve contre le candidat.
4. L'effet moléculaire proposé est-il crédible ?
Nous sélectionnons les prédicteurs par classe de variante et évitons de traiter les outils corrélés comme des votes indépendants. Le travail de calibration de ClinGen recommande des intervalles de score calibrés et l'utilisation généralement d'une méthode computationnelle sélectionnée pour un critère de preuve donné, plutôt que de compter l'accord entre des prédicteurs qui se chevauchent. Examinez l'étude de calibration.
5. Le candidat réussit-il les vérifications familiales, de cohorte et de base de données ?
Nous examinons la fréquence dans la population, le contexte d'ascendance, la récurrence interne, le soutien des cas non apparentés, la validité connue gène-maladie, les dates de la littérature et les versions de la base de données. Une variante rare n'est pas automatiquement importante, et une étiquette de base de données n'est pas intemporelle. La matrice de preuves enregistre d'où provient chaque affirmation et quand elle a été récupérée.
6. Quelle est la prochaine expérience la plus informative ?
Nous identifions l'incertitude qui contrôle la décision : confirmation de l'appel, phase, ségrégation, effet de jonction, utilisation du transcrit, activité régulatrice, hétéroplasmie ou fonction cellulaire. Le prochain expérience est choisie parce qu'un résultat positif ou négatif changerait le classement du candidat, et non parce que le test est disponible.
Un modèle de preuve qui garde les différentes revendications séparées
Le rang final est traçable car chaque couche de preuve a sa propre signification, source et incertitude.
| Couche de preuve | Ce que nous examinons | Ce qu'il peut supporter | Ce qu'il ne peut pas prouver seul. |
|---|---|---|---|
| Validité technique | Lire le support, profondeur, contexte d'alignement, QC d'échantillon, sortie de l'appelant, confirmation orthogonale. | L'événement est probablement présent dans le matériau testé. | Pertinence phénotypique ou mécanisme biologique |
| Preuves de population | Fréquence allélique, ascendance, homozygotes, contrainte, contrôles internes | Compatibilité avec la rareté et un modèle supposé | Causalité simplement parce qu'une variante est rare. |
| Hérédité et ségrégation | Pédigrée, statut affecté, origine parentale, phase, mosaïcisme, pénétrance | Compatibilité avec une hypothèse génétique définie | Une conclusion complète lorsque des parents sont absents ou que le phénotype est incertain. |
| Effet de variante | Conséquence, conservation, contexte protéique, prédiction d'épissage, annotation régulatrice | Un impact moléculaire plausible qui peut guider les tests. | Que le gène affecté explique le phénotype de l'étude. |
| Preuve gène-phénotype | Phénotypes structurés, début, mécanismes de maladie connus, organismes modèles et preuves de voies. | À quel point le candidat correspond à la biologie observée. | Que la variante spécifique modifie la fonction des gènes. |
| Preuves expérimentales | ARN, chromatine, ségrégation, séquençage ciblé, essais cellulaires ou de perturbation | Soutien direct ou contradiction pour un mécanisme défini | Généralisation plus large en dehors du tissu et du système testés. |
Pour chaque candidat, nous fournissons les observations brutes, les scores transformés, la source et la version, les preuves à l'appui et les preuves contradictoires, les preuves manquantes, et un raisonnement rédigé par un scientifique. Les étapes d'annotation et de littérature assistées par l'IA restent auditables ; elles ne remplacent pas l'examen du dossier ou de l'article original.
Les classes de variantes et les scénarios de recherche nécessitent des stratégies différentes.
Nous construisons l'analyse autour du mécanisme que l'étude peut réellement tester.
Des candidats en codage rares dans une famille
Pour un trio ou un pedigree étendu, nous comparons les modèles de novo, récessifs, hétérozygotes composés, liés à l'X et à pénétrance réduite. Des outils de missense tels que REVEL ou AlphaMissense peuvent aider à classer les candidats modifiant les protéines, mais le prédicteur est conservé comme un type de preuve. REVEL a été développé comme un ensemble pour les variations missense rares, et AlphaMissense fournit des estimations des effets missense à l'échelle du protéome. Revue REVEL. Revue d'AlphaMissense.
Perturbation de l'épissage suspectée
Nous évaluons les positions de splice canoniques et voisines, les candidats introniques profonds, la définition des exons, la pertinence des transcrits et les changements prévus des donneurs ou des accepteurs. SpliceAI a montré que l'apprentissage profond basé sur les séquences peut identifier des effets de splice cryptiques, tandis que les auteurs ont également souligné l'importance des preuves de transcrits dans un tissu approprié. Examinez l'étude SpliceAI.
Candidats non codants ou régulateurs
Nous connectons une variante aux promoteurs candidats, aux activateurs, à l'état de la chromatine, au contexte topologique, aux gènes cibles et au phénotype. Genomiser a combiné les scores régulateurs, la fréquence allélique, les domaines chromosomiques et la pertinence phénotypique, illustrant pourquoi un score non codant à lui seul est incomplet. Examinez le cadre Genomiser.
Événements structurels, de nombre de copies ou complexes
Nous examinons la qualité des points de rupture, le dosage génique, l'orientation, le contexte des répétitions, la phase, les régions régulatrices affectées et la cohérence avec le test. Les prédicteurs de petites variantes ne sont pas réutilisés pour les événements structurels. Lorsque l'expérience originale ne peut pas résoudre les points de rupture ou la phase, la prochaine étape appropriée peut être un séquençage différent plutôt qu'un autre algorithme de classement.
Variantes mitochondriales
Nous considérons l'héritage maternel, l'haplogroupe, l'hétéroplasmie, la source tissulaire, l'interférence de séquence nucléaire mitochondriale et les preuves fonctionnelles spécifiques aux variants. Les spécifications mitochondriales de ClinGen soulignent que l'hétéroplasmie peut différer entre les tissus et qu'aucun seuil unique ne s'applique à tous les variants. Examinez les spécifications mitochondriales.
Cohorte, organisme modèle et études de découverte
Pour des cas non liés, des lignées expérimentales, des plantes, des animaux ou des microorganismes, nous remplaçons les hypothèses de style clinique par le design disponible : récurrence, charge, liaison, ségrégation, classe de phénotype, dépistage fonctionnel ou conservation comparative. Le résultat est une liste de recherche et un plan de preuves, et non un rapport médical individuel.
Quand des preuves expérimentales ciblées devraient modifier le classement
Nous recommandons un nouvel essai uniquement après avoir identifié l'incertitude qu'il est conçu à résoudre.
| Écart de preuves | Option spécifique au projet | Pourquoi cela peut-il changer la décision ? |
|---|---|---|
| Le projet nécessite un ensemble de découverte de variantes de codage, une couverture plus approfondie ou une comparaison avec un organisme modèle apparié. | Séquençage de l'exome complet humain et murin | Le séquençage de l'exome concentre l'expérience sur les régions codantes des protéines et soutient la découverte de petites variantes. Nous définissons des limites de capture et ne considérons pas les régions non couvertes ou mal couvertes comme des preuves négatives. Examinez les recommandations de benchmarking des variantes. |
| Une liste restreinte nécessite une confirmation ciblée, une séparation, un suivi approfondi ou une couverture personnalisée de loci spécifiques. | Séquençage de région ciblée | Le suivi ciblé peut tester la présence, la fraction allélique et la récurrence familiale ou de cohorte dans des régions prédéfinies. Il est le plus utile après que les candidats et les seuils de décision soient fixés. Le design de confirmation préserve un test indépendant plutôt que de rouvrir le classement initial. Examinez les principes de benchmarking. |
| Une hypothèse mitochondriale dépend de l'hétéroplasmie à faible niveau, du choix des tissus ou de la ségrégation maternelle. | Séquençage de l'ADN mitochondrial | L'interprétation mitochondriale nécessite une hétéroplasmie et un contexte tissulaire. Le matériel sélectionné et la limite de détection sont indiqués car le sang ou un tissu prélevé peuvent ne pas représenter un autre tissu. Examinez la base de preuves. |
| Un effet de splice ou d'isoforme prédit manque de preuves directes au niveau des transcrits. | Séquençage de transcriptome complet | Les lectures complètes peuvent relier l'utilisation des exons et la structure des transcrits au sein de molécules uniques. Le gène doit être exprimé dans le matériau échantillonné ; l'absence dans un tissu non pertinent n'est pas considérée comme une réfutation. Cummings et al. ont démontré comment le séquençage du transcriptome peut révéler une expression et un épissage aberrants que l'analyse au niveau de l'ADN ne pouvait pas résoudre à elle seule. Examinez l'étude du transcriptome. |
| Un candidat non codant est lié à un élément régulateur prédit, mais son activité dans l'état cellulaire pertinent est inconnue. | ATAC-seq | L'accessibilité de la chromatine peut indiquer si une région candidate est ouverte dans les cellules ou conditions testées. Elle soutient le contexte régulatoire, mais ne prouve pas à elle seule que la variante modifie l'expression des gènes cibles. Buenrostro et al. ont établi l'ATAC-seq comme un test à l'échelle du génome de la chromatine ouverte et de la structure régulatoire. Révisez l'étude ATAC-seq. |
| De nombreux variants ou gènes candidats nécessitent une comparaison fonctionnelle évolutive dans un système cellulaire défini. | Séquençage de criblage CRISPR | Les écrans de perturbation basés sur le séquençage peuvent classer les effets fonctionnels sous un phénotype prédéfini. Le modèle cellulaire, la conception de l'édition, les contrôles et le résultat déterminent ce que l'écran peut supporter. Findlay et al. ont utilisé l'édition génomique par saturation et le séquençage pour mesurer des milliers de variantes de nucléotides uniques BRCA1, illustrant la puissance et les limites spécifiques au modèle des preuves fonctionnelles multiplexées. Examine l'étude sur l'édition de saturation. |
Ces itinéraires sont des alternatives, pas un ensemble fixe. Un projet peut n'en nécessiter aucun, un ou une combinaison progressive. Nous définissons l'ensemble des candidats, les contrôles positifs et négatifs, l'unité d'échantillonnage, la réplication, le seuil d'analyse et le résultat qui favoriserait ou défavoriserait chaque candidat avant la génération des données.
Un flux de travail traçable de l'ensemble de variantes à la liste restreinte expérimentale
Un flux de travail horizontal maintient les preuves, les décisions et les points d'arrêt visibles.
| Étape | Ce que nous faisons | Porte de décision |
|---|---|---|
| 1. Définir la question de recherche | Verrouillez les relations entre l'organisme, le phénotype, l'échantillon, les classes de variants, les hypothèses d'hérédité ou de cohorte, et la décision expérimentale prévue. | Qu'est-ce qui pourrait être considéré comme une liste de sélection utile ? |
| 2. Auditer les données et les appels | Réviser la construction de référence, la conception de séquençage, le contrôle qualité des échantillons, la qualité des appels, la compatibilité des annotations et les zones d'ombre connues. | Quelles classes de variantes les données peuvent-elles prendre en charge ? |
| 3. Construire des ensembles de candidats spécifiques au modèle | Appliquez des filtres de qualité, de fréquence, de région, d'héritage, de ségrégation et de cohorte sans fusionner des hypothèses incompatibles. | Quels candidats survivent à chaque modèle ? |
| 4. Intégrer des preuves | Ajoutez des preuves moléculaires, des phénotypes, la validité des gènes, des voies, des tissus, de la littérature et des bases de données avec des versions et des liens. | Quel soutien est indépendant, conflictuel ou manquant ? |
| 5. Examiner et classer | Comparer les candidats dans une matrice de preuves. Les scientifiques examinent les appels prioritaires, les hypothèses du modèle et les résumés assistés par l'IA. | Quels candidats justifient une action maintenant ? |
| 6. Générer des preuves ciblées | Confirmer les appels, tester la ségrégation, mesurer les transcriptions ou la chromatine, ou réaliser une expérience fonctionnelle lorsque le résultat peut modifier le classement. | Les nouvelles preuves soutiennent-elles, affaiblissent-elles ou laissent-elles l'hypothèse non résolue ? |
| 7. Rapport et version | Fournir des listes classées, des dossiers de preuves, des exclusions, des fichiers reproductibles et un plan de réanalyse liés aux versions de données et de connaissances. | Avancer, tester, surveiller ou arrêter |
Que fournir pour une étude de priorisation défendable
De bonnes métadonnées peuvent changer la réponse plus que l'ajout d'un autre outil de prédiction.
| Catégorie d'entrée | Matériaux préférés | Pourquoi c'est important |
|---|---|---|
| Question de recherche | Organisme, phénotype ou point de terminaison d'essai, tissu affecté, mécanisme candidat, décision suivante prévue et exclusions connues. | Définit des preuves pertinentes et empêche un classement non ciblé. |
| Données génomiques | FASTQ, lectures alignées, VCF ou gVCF, fichiers de variantes structurelles, version de référence, versions des appelants, rapports de QC et résumés de couverture. | Permet de revoir les preuves techniques et les angles morts. |
| Échantillons et relations | Pedigree ou manifeste de cohorte, statut affecté, sexe, relations parentales ou de réplique, tissu, point temporel, traitement et lot. | Prend en charge l'héritage, la ségrégation, la récurrence et les vérifications de confusion. |
| Phénotype et biologie | Caractéristiques structurées ou narratives, début, résultats absents, phénotypes d'essai, hypothèses de voies, et observations pertinentes sur les organismes modèles. | Connecte les preuves de gènes et de variantes à l'étude réelle. |
| Interprétation préalable | Liste restreinte existante, règles de filtrage, variantes examinées, résultats de confirmation, littérature, instantanés de base de données et raisons d'exclusion. | Préserve les connaissances antérieures et expose les différences d'interprétation. |
| Matériaux expérimentaux | ADN, ARN, cellules, tissus, échantillons familiaux, systèmes modèles et contraintes de faisabilité disponibles | Détermine quelles lacunes de preuves peuvent être testées directement. |
| Limites d'utilisation des données | Bases de données autorisées, besoins en calcul sécurisé, restrictions de reporting et formats de sortie requis. | Définit la limite d'analyse et le plan de livraison. |
Les projets peuvent commencer à partir de séquençage brut, d'un ensemble d'appels filtré ou d'une liste restreinte existante. Lorsque seuls des résultats traités sont disponibles, nous précisons quels contrôles techniques et d'hérédité ne peuvent pas être répétés. Les exigences d'échantillon pour tout nouvel essai sont fournies après que le mécanisme et le design ont été convenus.
Livrables qui soutiennent la prochaine décision de recherche
Le livrable est conçu pour être examiné, contesté, mis à jour et utilisé pour planifier des expériences.
Paquet de preuves classées
- Listes de candidats spécifiques au modèle
- Classements des variantes et des gènes
- Matrice de preuves
- Résultats concordants et contradictoires
- Journal des candidats exclus
Revue des mécanismes
- Contexte de conséquence et de transcription
- Phénotype et adéquation des voies
- Hérédité et ségrégation
- Preuves de population et de cohorte
- Confiance et incertitude
Plan d'action
- Priorités de confirmation d'appel
- Options expérimentales ciblées
- Résultats changeant la décision
- Tables et figures reproductibles
- Déclencheurs de réanalyse versionnée
Nous pouvons fournir des dossiers au niveau des variantes, des résumés au niveau des gènes, des vues de pedigree ou de cohorte, des cartes thermiques de preuves, un contexte de voie, des tableaux prêts pour révision et des fichiers d'analyse. Chaque candidat indique pourquoi il est classé de cette manière, ce qui pourrait abaisser ou élever sa priorité, et quelle conclusion est en dehors des preuves disponibles.
Les connaissances évoluent. De nouvelles relations gène-phénotype, classifications de bases de données, transcrits, données de population et études fonctionnelles peuvent modifier une liste restreinte sans changer la séquence originale. Le rapport enregistre donc la version de référence, les sources d'annotation, les versions de logiciels et de bases de données, les dates de récupération et les déclencheurs pratiques pour une réanalyse.
Références
- Rentzsch P, Witten D, Cooper GM, Shendure J, Kircher M. CADD : prédire la nocivité des variantes à travers le génome humain. Recherche sur les acides nucléiques. 2019.
- Pejaver V, Byrne AB, Feng BJ, et al. Calibration des outils informatiques pour la classification de la pathogénicité des variants faux-sens et recommandations de ClinGen pour les critères PP3/BP4. Le Journal américain de génétique humaine. 2022.
- Ioannidis NM, Rothstein JH, Pejaver V, et al. REVEL : une méthode d'ensemble pour prédire la pathogénicité des variantes de missense rares. Le Journal américain de génétique humaine. 2016.
- Cheng J, Novati G, Pan J, et al. Prédiction précise des effets des variantes de missense sur l'ensemble du protéome avec AlphaMissense. Science. 2023.
- Jaganathan K, Kyriazopoulou Panagiotopoulou S, McRae JF, et al. Prédire l'épissage à partir de la séquence primaire avec l'apprentissage profond. Cellule. 2019.
- Köhler S, Gargano M, Matentzoglu N, et al. L'ontologie du phénotype humain en 2021. Recherche sur les acides nucléiques. 2021.
- Bone WP, Washington NL, Buske OJ, et al. L'évaluation computationnelle des données de séquence d'exome en utilisant les phénotypes humains et ceux d'organismes modèles améliore l'efficacité diagnostique. Génétique en Médecine. 2016.
- Smedley D, Schubach M, Jacobsen JOB, et al. Un cadre d'analyse du génome entier pour l'identification efficace des variants régulateurs pathogènes dans les maladies mendéliennes. Le Journal américain de génétique humaine. 2016.
- McCormick EM, Lott MT, Dulik MC, et al. Spécifications des normes et directives ACMG/AMP pour l'interprétation des variants de l'ADN mitochondrial. Mutation humaine. 2020.
- Zook JM, Salit M. Meilleures pratiques pour l'évaluation des appels de petites variantes germinales dans les génomes humains. Biotechnologie de la nature. 2019.
- Vestito L, Jacobsen JOB, Walker S, et al. Réinterprétation efficace des cas de maladies rares à l'aide d'Exomiser. npj Médecine Génomique. 2024.
- Cummings BB, Marshall JL, Tukiainen T, et al. Amélioration du diagnostic génétique dans les maladies mendéliennes par le séquençage du transcriptome. Médecine Translational Science. 2017.
- Buenrostro JD, Giresi PG, Zaba LC, Chang HY, Greenleaf WJ. Transposition de la chromatine native pour un profilage épigénomique rapide et sensible de la chromatine ouverte, des protéines liant l'ADN et de la position des nucléosomes. Méthodes de la Nature. 2013.
- Findlay GM, Daza RM, Martin B, et al. Classification précise des variants BRCA1 par édition génomique de saturation. Nature. 2018.
Exemple de rapport de priorisation des variantes génomiques
La démonstration montre comment les classements des candidats changent à mesure que des preuves techniques, d'héritage, de phénotype, d'effet moléculaire et expérimentales sont ajoutées. Elle montre également pourquoi un candidat a été exclu ou retenu.
Un rapport spécifique à un projet peut inclure une évaluation de la qualité des appels, des listes de candidats tenant compte de la lignée, la similarité phénotypique, des preuves de population, le contexte des transcrits et des protéines, des prédictions d'épissage ou réglementaires, la provenance de la littérature, des preuves à l'appui et contradictoires, ainsi qu'un tableau de décision expérimental. Les valeurs affichées sont adaptées à l'étude et ne sont jamais présentées comme des seuils universels.
FAQ sur la priorisation des variants génomiques assistée par l'IA
1. S'agit-il d'un service de diagnostic clinique ?
Non. Cette solution soutient la priorisation de la recherche et la planification expérimentale. Elle ne fournit pas de diagnostic clinique individuel, de recommandation de traitement ou de rapport médical.
2. Pouvez-vous partir de nos notes VCF et phénotypiques existantes ?
Oui. Nous pouvons commencer par un VCF, un arbre généalogique ou un manifeste de cohorte, des notes phénotypiques et une liste préliminaire. Les fichiers BAM ou CRAM et les informations de couverture permettent une révision technique plus approfondie. Si les lectures brutes ou alignées ne sont pas disponibles, cette limitation est notée.
3. L'IA décide-t-elle quelle variante est causale ?
Non. L'IA peut aider à organiser les annotations, comparer les phénotypes, récupérer la littérature et classer les preuves. Les scientifiques examinent les dossiers sources, les hypothèses du modèle, les conflits et l'incertitude. Le résultat est une liste restreinte de recherches, et non une déclaration causale automatisée.
4. Quels types de variantes peuvent être inclus ?
En fonction des données d'entrée, nous pouvons examiner les changements de nucléotides uniques, les petites insertions et suppressions, les candidats dans les régions d'épissage et non codantes, les variants mitochondriaux, les changements de nombre de copies et les événements structurels. Chaque classe utilise différentes preuves de qualité et d'effet.
5. Utilisez-vous un seuil de pathogénicité fixe ?
Non. Les seuils dépendent de la classe de variante, de la calibration des preuves, du design de l'étude, du modèle d'héritage et de l'action prévue. Nous montrons le score original et sa source, mais nous ne considérons pas un seuil comme suffisant pour tous les projets.
6. Pouvez-vous prioriser les variants sans un phénotype détaillé ?
Oui, mais le résultat repose davantage sur la fréquence, l'héritage, l'effet moléculaire, la récurrence de la cohorte, la voie ou le phénotype expérimental. Nous indiquons comment le manque d'informations sur le phénotype ou des informations trop générales limitent le classement au niveau des gènes.
7. Comment gérez-vous les variants de signification incertaine ?
Nous identifions quelles preuves manquent ou sont conflictuelles et classons les prochaines étapes possibles. Un candidat n'est pas promu simplement parce que plusieurs outils de prédiction sont d'accord. Les preuves transcriptomiques, de ségrégation, réglementaires ou fonctionnelles peuvent être plus informatives.
8. Pouvez-vous réanalyser une étude précédemment négative ?
Oui. Nous comparons la construction de référence originale, l'ensemble d'appels, les termes de phénotype, les connaissances sur les gènes et les maladies, les bases de données, les transcrits et les règles de filtrage avec les versions actuelles. La réanalyse ne peut pas récupérer une variante que l'essai original n'a pas pu observer, donc les limites de couverture et de technologie sont d'abord examinées.
9. Quand un séquençage supplémentaire est-il recommandé ?
Ce n'est que lorsqu'un écart de preuve spécifique peut modifier la décision. Les exemples incluent la confirmation ciblée, les membres de la famille manquants, une profondeur mitochondriale insuffisante, une structure de transcript non résolue ou une région régulatrice non mesurée par la conception originale.
10. Quels fichiers sont livrés ?
Les résultats typiques incluent des tableaux de variantes et de gènes classés, une matrice de preuves, des notes de révision, des enregistrements de sources et de versions, des résumés visuels, des raisons d'exclusion de candidats, des priorités de validation et un plan de réanalyse. Les formats exacts sont convenus lors de l'entrée du projet.
Étude de cas publiée
Mise en avant de la recherche indépendante
La réanalyse a transformé une grande cohorte non résolue en une file d'attente de revue ciblée.
Cette publication est un exemple de recherche indépendante. Ce n'est pas un projet client de CD Genomics.
Contexte
Vestito et al. ont étudié comment la réanalyse guidée par le phénotype pourrait revisiter des cas de génome entier précédemment non résolus, alors que les connaissances sur les gènes liés aux maladies et les classifications des variants évoluaient. La cohorte de départ contenait 24 015 participants non résolus du projet 100 000 génomes qui avaient déjà été évalués pour des variants dans des gènes de maladies connus.
Méthodes
Les auteurs ont relancé Exomiser avec des connaissances mises à jour et ont évalué des filtres progressifs conçus pour mettre en évidence de nouveaux candidats pertinents. Leur stratégie a utilisé la similarité phénotypique, les conséquences des variants, la compatibilité d'héritage, les relations gène-maladie mises à jour et un composant de classification automatisé. L'analyse s'est concentrée sur la réduction du nombre de candidats nécessitant une réinterprétation manuelle tout en conservant les résultats de réanalyse connus.
Résultats
La réanalyse a identifié des diagnostics chez 463 participants, représentant 2 % de la cohorte non résolue. La stratégie optimisée a atteint un rappel de 82 % et une précision de 88 % pour mettre en évidence de nouveaux candidats et a réduit la charge de révision à une moyenne d'un ou deux candidats par cas. L'étude a également montré que des connaissances actualisées sur les maladies, les gènes, les phénotypes et les variants - et non une nouvelle expérience de séquençage seule - peuvent rendre un ancien ensemble de données nouvellement informatif.
Pourquoi c'est important
Un workflow de priorisation utile doit être versionné et répétable. Il doit distinguer un candidat qui a été manqué en raison d'un changement de connaissance de celui qui n'était jamais observable dans l'essai original. Il doit également produire une file d'attente de révision gérable et explicable plutôt qu'une longue liste qui transfère l'intégralité du fardeau au chercheur.
Conclusion
L'étude soutient un design pratique pour la réanalyse de recherche : mettre à jour les connaissances de manière systématique, préserver le phénotype et le contexte d'hérédité, utiliser l'informatique pour réduire l'espace de recherche et conserver l'examen par des experts pour l'interprétation finale.
Note en libre accès : L'article est sous licence Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International. Cette page résume l'étude sans reproduire ni adapter ses figures.
Référence
- Vestito L, Jacobsen JOB, Walker S, et al. Réinterprétation efficace des cas de maladies rares à l'aide d'Exomiser. npj Médecine Génomique. 2024.
Publications Sélectionnées
Ces publications indépendantes fournissent la base méthodologique de cette solution. Elles ne sont pas présentées comme des projets clients de CD Genomics.
- Rentzsch P, Witten D, Cooper GM, Shendure J, Kircher M. CADD : prédire la nocivité des variants à travers le génome humain. Recherche sur les acides nucléiques. 2019.
- Pejaver V, Byrne AB, Feng BJ, et al. Calibration des outils informatiques pour la classification de la pathogénicité des variantes de type missense et recommandations de ClinGen pour les critères PP3/BP4. Le Journal américain de génétique humaine. 2022.
- Ioannidis NM, Rothstein JH, Pejaver V, et al. REVEL : une méthode d'ensemble pour prédire la pathogénicité des variantes de missense rares. Le Journal américain de génétique humaine. 2016.
- Cheng J, Novati G, Pan J, et al. Prédiction précise des effets des variants de missense sur l'ensemble du protéome avec AlphaMissense. Science. 2023.
- Jaganathan K, Kyriazopoulou Panagiotopoulou S, McRae JF, et al. Prédire l'épissage à partir de la séquence primaire avec l'apprentissage profond. Cellule. 2019.
- Köhler S, Gargano M, Matentzoglu N, et al. L'ontologie des phénotypes humains en 2021. Recherche sur les acides nucléiques. 2021.
- Bone WP, Washington NL, Buske OJ, et al. L'évaluation computationnelle des données de séquence d'exome en utilisant des phénotypes humains et d'organismes modèles améliore l'efficacité diagnostique. Génétique en Médecine. 2016.
- Smedley D, Schubach M, Jacobsen JOB, et al. Un cadre d'analyse du génome entier pour l'identification efficace des variants régulateurs pathogènes dans les maladies mendéliennes. Le Journal américain de génétique humaine. 2016.
- McCormick EM, Lott MT, Dulik MC, et al. Spécifications des normes et directives ACMG/AMP pour l'interprétation des variantes de l'ADN mitochondrial. Mutation humaine. 2020.
- Zook JM, Salit M. Meilleures pratiques pour l'évaluation des appels de petites variantes germinales dans les génomes humains. Biotechnologie de la Nature. 2019.
- Vestito L, Jacobsen JOB, Walker S, et al. Réinterprétation efficace des cas de maladies rares à l'aide d'Exomiser. npj Médecine Génomique. 2024.
- Cummings BB, Marshall JL, Tukiainen T, et al. Amélioration du diagnostic génétique dans les maladies mendéliennes grâce au séquençage du transcriptome. Médecine Translational Science. 2017.
- Buenrostro JD, Giresi PG, Zaba LC, Chang HY, Greenleaf WJ. Transposition de la chromatine native pour un profilage épigénomique rapide et sensible de la chromatine ouverte, des protéines liant l'ADN et de la position des nucléosomes. Méthodes en Nature2013.
- Findlay GM, Daza RM, Martin B, et al. Classification précise des variants de BRCA1 par édition génomique de saturation. Nature. 2018.
