Diretrizes para Submissão de Amostras
Por que uma Alta Pontuação de Variante Não é uma Conclusão de Pesquisa
A priorização de variantes é um problema de integração de evidências, não uma competição entre pontuações de previsão.
Um genoma pode conter milhões de diferenças em relação à sequência de referência. Filtros de frequência e qualidade reduzem esse número, mas os candidatos restantes podem representar questões biológicas muito diferentes: uma alteração de codificação de novo, duas variantes atuando sob um modelo recessivo, um evento de splicing críptico, uma alteração regulatória no tipo celular relevante, um evento estrutural ou uma variante mitocondrial cuja abundância difere por tecido.
Os escores a nível do genoma são valiosos para ordenar candidatos. O CADD, por exemplo, integra muitas anotações para estimar a nocividade relativa entre variantes codificantes e não codificantes. Os seus desenvolvedores também alertam que nenhum limite único é correto para todos os estudos e recomendam usar os escores para classificação, seguidos de uma investigação mais aprofundada. Revise o estudo CADD.
A mesma limitação aplica-se a previsões de IA mais recentes. Um modelo pode estimar o efeito de uma alteração missense ou de splicing, mas não estabelece automaticamente que o gene afetado explica o fenótipo observado, que o padrão de herança é plausível ou que o evento está ativo no tecido relevante. Portanto, mantemos cada família de evidências visível em vez de colapsar o projeto em uma única pontuação inexplicada.
Questões que uma pontuação não pode responder sozinha
- A variante foi identificada de forma fiável nesta amostra?
- É compatível com o desenho de pedigree ou de coorte?
- O gene corresponde ao fenótipo específico?
- O transcrito ou elemento regulador está ativo aqui?
- As ferramentas de apoio estão a usar informações sobrepostas?
- Que experimento distinguiria explicações concorrentes?
Seis Decisões que Ajudamos Você a Tomar
Cada decisão tem um requisito de evidência diferente e um modo de falha diferente.
1. O candidato é tecnicamente credível?
Revisamos a cobertura, o equilíbrio alélico, o contexto de mapeamento, padrões de fita e posição de leitura, filtros de conjuntos de chamadas, identidade da amostra e os limites do design de sequenciação. Uma classificação biológica não pode corrigir uma chamada não confiável. Zook e Salit descrevem porque regiões de referência, representação de variantes, regras de correspondência e contextos genómicos difíceis devem ser mencionados ao avaliar chamadas de pequenas variantes. Revise a orientação de benchmarking.
2. Isso se encaixa no fenótipo do estudo?
Convertemos características disponíveis em termos estruturados, mantemos os achados iniciais e ausentes quando conhecidos, e comparamos genes candidatos com fenótipos humanos e de organismos modelo curados. A Ontologia de Fenótipos Humanos fornece um vocabulário computável para esta tarefa, enquanto os estudos do Exomiser mostram como a similaridade de fenótipos pode complementar a evidência a nível de variantes. Revise o recurso de ontologia. Revise a avaliação do Exomiser.
3. Qual modelo de herança continua a ser plausível?
Geramos listas de candidatos específicas para cada modelo, em vez de permitir que hipóteses dominantes, recessivas, ligadas ao X, mitocondriais, mosaico e somáticas se misturem. A estrutura familiar, sexo, estado afetado, fase, penetrância e design de coorte definem o que pode ser inferido. Um resultado de segregação negativo pode diminuir uma classificação; parentes ausentes permanecem uma incerteza, não uma evidência contra o candidato.
4. O efeito molecular proposto é credível?
Selecionamos preditores por classe de variante e evitamos tratar ferramentas correlacionadas como votos independentes. O trabalho de calibração da ClinGen recomenda intervalos de pontuação calibrados e, geralmente, o uso de um método computacional selecionado para um determinado critério de evidência, em vez de contar o acordo entre preditores sobrepostos. Revise o estudo de calibração.
5. O candidato passa nas verificações de família, coorte e base de dados?
Examinamos a frequência populacional, o contexto de ancestralidade, a recorrência interna, o suporte de casos não relacionados, a validade conhecida gene-doença, as datas da literatura e as versões da base de dados. Uma variante rara não é automaticamente importante, e um rótulo de base de dados não é atemporal. A matriz de evidências regista de onde veio cada afirmação e quando foi recuperada.
6. Qual é o próximo experimento mais informativo?
Identificamos a incerteza que controla a decisão: confirmação da chamada, fase, segregação, efeito de emenda, utilização de transcritos, atividade regulatória, heteroplasmia ou função celular. O próximo experimento é escolhido porque um resultado positivo ou negativo mudaria a classificação do candidato, não porque o ensaio está disponível.
Um Modelo de Evidência que Mantém Diferentes Alegaçõe Separadas
A classificação final é rastreável porque cada camada de evidência tem o seu próprio significado, fonte e incerteza.
| Camada de evidência | O que examinamos | O que pode suportar | O que não pode provar sozinho. |
|---|---|---|---|
| Validade técnica | Suporte de leitura, profundidade, contexto de alinhamento, QC de amostra, saída do chamador, confirmação ortogonal | O evento está provavelmente presente no material testado. | Relevância do fenótipo ou mecanismo biológico |
| Evidência populacional | Frequência alélica, ancestralidade, homozigotos, restrição, controlos internos | Compatibilidade com a raridade e um modelo assumido | Causalidade simplesmente porque uma variante é rara. |
| Herança e segregação | Pedigree, estado afetado, origem parental, fase, mosaicismo, penetrância | Compatibilidade com uma hipótese genética definida | Uma conclusão completa quando os parentes estão ausentes ou o fenótipo é incerto. |
| Efeito da variante | Consequência, conservação, contexto de proteína, previsão de splicing, anotação regulatória | Um impacto molecular plausível que pode orientar os testes. | Que o gene afetado explica o fenótipo do estudo. |
| Evidência gene-fenótipo | Fenótipos estruturados, início, mecanismos de doença conhecidos, organismos modelo e evidência de vias. | Quão bem o candidato corresponde à biologia observada. | Que a variante específica altera a função do gene. |
| Evidência experimental | RNA, cromatina, segregação, sequenciação direcionada, ensaios celulares ou de perturbação | Apoio direto ou contradição para um mecanismo definido | Generalização mais ampla fora do tecido e sistema testados |
Para cada candidato, fornecemos as observações brutas, as pontuações transformadas, a fonte e a versão, as evidências de apoio e conflitantes, as evidências em falta e uma justificação escrita por um cientista. Os passos de literatura e anotação assistidos por IA permanecem auditáveis; não substituem a revisão do registo ou artigo original.
As Classes de Variantes e Cenários de Pesquisa Precisam de Estratégias Diferentes
Construímos a análise em torno do mecanismo que o estudo pode realmente testar.
Candidatos de programação raros numa família
Para um trio ou pedigree alargado, comparamos modelos de novo, recessivos, heterozigóticos compostos, ligados ao X e de penetrância reduzida. Ferramentas de missense como REVEL ou AlphaMissense podem ajudar a classificar candidatos que alteram proteínas, mas o preditor é mantido como um tipo de evidência. O REVEL foi desenvolvido como um conjunto para variação rara de missense, e o AlphaMissense fornece estimativas de efeito de missense em todo o proteoma. Rever REVEL. Revisão AlphaMissense.
Suspeita de interrupção de splice
Avaliamos posições de splicing canónicas e próximas, candidatos intrónicos profundos, definição de exões, relevância de transcritos e alterações previstas de doadores ou aceitadores. O SpliceAI demonstrou que o aprendizado profundo baseado em sequências pode identificar efeitos de splicing crípticos, enquanto os autores também destacaram a importância de evidências de transcritos em um tecido apropriado. Revise o estudo SpliceAI.
Candidatos não codificantes ou regulatórios
Ligamos uma variante a promotores candidatos, potenciadores, estado da cromatina, contexto topológico, genes-alvo e fenótipo. O Genomiser combinou pontuações regulatórias, frequência alélica, domínios cromossómicos e relevância fenotípica, ilustrando porque uma pontuação não codificante sozinha é incompleta. Revise o framework Genomiser.
Eventos estruturais, de número de cópias ou complexos
Examinamos a qualidade dos pontos de ruptura, a dosagem genética, a orientação, o contexto de repetição, a fase, as regiões regulatórias afetadas e a consistência com o ensaio. Os preditores de variantes pequenas não são reutilizados para eventos estruturais. Quando o experimento original não consegue resolver os pontos de ruptura ou a fase, o próximo passo apropriado pode ser uma sequenciação diferente em vez de outro algoritmo de classificação.
Variantes mitocondriais
Consideramos a herança materna, haplogrupo, heteroplasmia, fonte tecidual, interferência de sequências nucleares mitocondriais e evidências funcionais específicas de variantes. As especificações mitocondriais do ClinGen enfatizam que a heteroplasmia pode diferir entre os tecidos e que nenhum limiar único se aplica a todas as variantes. Revise as especificações mitocondriais.
Cohorte, organismo modelo e estudos de descoberta
Para casos não relacionados, linhas experimentais, plantas, animais ou microrganismos, substituímos as suposições de estilo clínico pelo design disponível: recorrência, carga, ligação, segregação, classe fenotípica, triagem funcional ou conservação comparativa. O resultado é uma lista reduzida de investigação e um plano de evidências, não um relatório médico individual.
Quando Evidência Experimental Focada Deve Mudar a Classificação
Recomendamos um novo ensaio apenas após identificar a incerteza que se destina a resolver.
| Lacuna de evidência | Opção específica do projeto | Por que pode mudar a decisão. |
|---|---|---|
| O projeto necessita de um conjunto de descoberta de variantes de codificação, uma cobertura mais profunda ou uma comparação com um organismo modelo correspondente. | Sequenciação do exoma completo de humanos e ratos | O sequenciamento do exoma foca o experimento em regiões codificadoras de proteínas e apoia a descoberta de variantes pequenas. Definimos limites de captura e não tratamos regiões não cobertas ou mal cobertas como evidência negativa. Revise as recomendações de benchmarking de variantes. |
| Uma lista restrita necessita de confirmação focada, segregação, acompanhamento aprofundado ou cobertura personalizada de loci específicos. | Sequenciação de regiões alvo | O seguimento direcionado pode testar a presença, fração alélica e recorrência familiar ou de coorte em regiões predefinidas. É mais útil após os candidatos e os limiares de decisão estarem definidos. O design de confirmação preserva um teste independente em vez de reabrir a classificação inicial. Revise os princípios de benchmarking. |
| Uma hipótese mitocondrial depende de heteroplasmia em baixo nível, escolha de tecido ou segregação materna. | Sequenciação de DNA mitocondrial | A interpretação mitocondrial requer heteroplasmia e contexto tecidual. O material selecionado e o limite de deteção são indicados porque o sangue ou um tecido amostrado podem não representar outro tecido. Revise a base de evidências. |
| Um efeito de splice ou isoforma previsto carece de evidência direta de transcrito. | Sequenciação de transcritos completos | Leituras completas podem conectar o uso de exões e a estrutura do transcrito dentro de moléculas únicas. O gene deve ser expresso no material amostrado; a ausência em um tecido irrelevante não é considerada uma refutação. Cummings et al. demonstraram como o sequenciamento do transcriptoma pode revelar expressões e splicings aberrantes que a análise a nível de DNA sozinha não poderia resolver. Revise o estudo do transcriptoma. |
| Um candidato não codificante está ligado a um elemento regulatório previsto, mas a sua atividade no estado celular relevante é desconhecida. | ATAC-seq | A acessibilidade da cromatina pode mostrar se uma região candidata está aberta nas células ou condições testadas. Apoia o contexto regulatório, mas não prova por si só que a variante altera a expressão do gene-alvo. Buenrostro et al. estabeleceram o ATAC-seq como um ensaio de cromatina aberta e estrutura regulatória em todo o genoma. Revise o estudo ATAC-seq. |
| Muitas variantes ou genes candidatos requerem uma comparação funcional escalável num sistema celular definido. | Sequenciação de ecrãs CRISPR | Ecrãs de perturbação baseados em sequenciação podem classificar efeitos funcionais sob um fenótipo pré-especificado. O modelo celular, o design da edição, os controlos e a leitura determinam o que o ecrã pode suportar. Findlay et al. utilizaram edição genómica de saturação e sequenciação para medir milhares de variantes de nucleotídeo único do BRCA1, ilustrando o poder e os limites específicos do modelo de evidência funcional multiplexada. Revise o estudo de edição de saturação. |
Estas rotas são alternativas, não um pacote fixo. Um projeto pode precisar de nenhuma, uma ou uma combinação em etapas. Definimos o conjunto de candidatos, os controlos positivos e negativos, a unidade de amostra, a replicação, o limiar de análise e o resultado que promoveria ou despromoveria cada candidato antes da geração de dados.
Um Fluxo de Trabalho Rastreável Desde o Conjunto de Variantes até a Lista Curta Experimental
Um fluxo de trabalho horizontal mantém as evidências, decisões e pontos de paragem visíveis.
| Palco | O que fazemos | Porta de decisão |
|---|---|---|
| 1. Defina a questão de pesquisa | Bloqueie as relações entre o organismo, fenótipo, amostra, classes de variantes, herança ou hipóteses de coorte, e a decisão experimental pretendida. | O que contaria como uma lista útil? |
| 2. Auditoria de dados e chamadas | Rever a construção de referência, o design de sequenciação, a QC das amostras, a qualidade das chamadas, a compatibilidade da anotação e os pontos cegos conhecidos. | Quais classes de variantes os dados podem suportar? |
| 3. Construir conjuntos de candidatos específicos para o modelo | Aplique filtros de qualidade, frequência, região, herança, segregação e coorte sem fundir hipóteses incompatíveis. | Quais candidatos sobrevivem a cada modelo? |
| 4. Integrar evidências | Adicione evidências de efeito molecular, fenótipo, validade do gene, via, tecido, literatura e base de dados com versões e links. | Qual apoio é independente, conflitante ou está em falta? |
| 5. Rever e classificar | Compare candidatos numa matriz de evidências. Cientistas analisam chamadas de alta prioridade, suposições do modelo e resumos assistidos por IA. | Quais candidatos justificam ação agora? |
| 6. Gerar evidência focada | Confirme chamadas, teste a segregação, meça transcritos ou cromatina, ou realize um experimento funcional quando o resultado puder alterar a classificação. | As novas evidências apoiam, enfraquecem ou deixam a hipótese por resolver? |
| 7. Relatório e versão | Entregue listas classificadas, dossiês de evidências, exclusões, ficheiros reproduzíveis e um plano de reanálise ligado a versões de dados e conhecimento. | Avançar, testar, monitorizar ou parar |
O que Fornecer para um Estudo de Priorização Defensável
Um bom metadado pode mudar a resposta mais do que adicionar outra ferramenta de previsão.
| Categoria de entrada | Materiais preferidos | Por que é importante |
|---|---|---|
| Questão de pesquisa | Organismo, fenótipo ou ponto final do ensaio, tecido afetado, mecanismo candidato, decisão seguinte pretendida e exclusões conhecidas. | Define evidência relevante e previne uma classificação desorganizada. |
| Dados genómicos | FASTQ, leituras alinhadas, VCF ou gVCF, ficheiros de variantes estruturais, construção de referência, versões de chamadores, relatórios de QC e resumos de cobertura | Permite que as evidências técnicas e os pontos cegos sejam analisados. |
| Amostras e relacionamentos | Manifesto de pedigree ou coorte, estado afetado, sexo, relações parentais ou de replicação, tecido, ponto temporal, tratamento e lote. | Suporta herança, segregação, recorrência e verificações de confusão. |
| Fenótipo e biologia | Características estruturadas ou narrativas, início, achados ausentes, fenótipos de ensaio, hipóteses de via e observações relevantes de organismos modelo. | Conecta a evidência de genes e variantes ao estudo real. |
| Interpretação prévia | Lista pré-selecionada existente, regras de filtragem, variantes revistas, resultados de confirmação, literatura, instantâneas da base de dados e razões para exclusão. | Preserva o conhecimento anterior e expõe diferenças na interpretação. |
| Materiais experimentais | DNA, RNA, células, tecidos, amostras familiares, sistemas modelo e restrições de viabilidade disponíveis | Determina quais lacunas de evidência podem ser testadas diretamente. |
| Limites de utilização de dados | Bases de dados permitidas, necessidades de computação segura, restrições de reporte e formatos de saída exigidos. | Define os limites da análise e o plano de entrega. |
Os projetos podem começar a partir de sequenciação bruta, um conjunto de chamadas filtradas ou uma lista pré-existente. Quando apenas resultados processados estão disponíveis, indicamos quais verificações técnicas e de herança não podem ser repetidas. Os requisitos de amostra para qualquer novo ensaio são fornecidos após o mecanismo e o design serem acordados.
Entregáveis que Apoiam a Próxima Decisão de Investigação
O entregável é concebido para ser revisto, desafiado, atualizado e utilizado para planear experiências.
Pacote de evidências classificadas
- Listas de candidatos específicas por modelo
- Classificações de variantes e genes
- Matriz de evidências
- Resultados de apoio e conflitantes
- Registo de candidatos excluídos
Revisão do mecanismo
- Consequência e contexto da transcrição
- Ajuste de fenótipo e via metabólica
- Hereditariedade e segregação
- Evidência populacional e de coorte
- Confiança e incerteza
Plano de ação
- Prioridades de confirmação de chamadas
- Opções experimentais focadas
- Resultados que alteram decisões
- Tabelas e figuras reproduzíveis
- Gatilhos de reanálise versionada
Podemos fornecer dossiês a nível de variante, resumos a nível de gene, vistas de pedigree ou coorte, mapas de calor de evidências, contexto de vias, tabelas prontas para revisão e ficheiros de análise. Cada candidato indica o motivo pelo qual está classificado, o que poderia diminuir ou aumentar a sua prioridade e qual conclusão está fora das evidências disponíveis.
O conhecimento muda. Novas relações gene-fenótipo, classificações de bases de dados, transcritos, dados populacionais e estudos funcionais podem alterar uma lista curta sem mudar a sequência original. O relatório, portanto, regista a versão de referência, fontes de anotação, versões de software e bases de dados, datas de recuperação e gatilhos práticos para reanálise.
Referências
- Rentzsch P, Witten D, Cooper GM, Shendure J, Kircher M. CADD: prever a prejudicialidade de variantes em todo o genoma humano. Pesquisa em Ácidos Nucleicos. 2019.
- Pejaver V, Byrne AB, Feng BJ, et al. Calibração de ferramentas computacionais para a classificação da patogenicidade de variantes missense e recomendações da ClinGen para os critérios PP3/BP4. O Jornal Americano de Genética Humana. 2022.
- Ioannidis NM, Rothstein JH, Pejaver V, et al. REVEL: um método de conjunto para prever a patogenicidade de variantes missense raras. O Jornal Americano de Genética Humana. 2016.
- Cheng J, Novati G, Pan J, et al. Predição precisa do efeito de variantes missense em todo o proteoma com AlphaMissense. Ciência. 2023.
- Jaganathan K, Kyriazopoulou Panagiotopoulou S, McRae JF, et al. Previsão de splicing a partir da sequência primária com aprendizagem profunda. Célula. 2019.
- Köhler S, Gargano M, Matentzoglu N, et al. A Ontologia do Fenótipo Humano em 2021. Pesquisa em Ácidos Nucleicos. 2021.
- Bone WP, Washington NL, Buske OJ, et al. A avaliação computacional de dados de sequenciamento do exoma utilizando fenótipos humanos e de organismos modelo melhora a eficiência diagnóstica. Genética na Medicina. 2016.
- Smedley D, Schubach M, Jacobsen JOB, et al. Uma estrutura de análise do genoma completo para a identificação eficaz de variantes regulatórias patogénicas em doenças mendelianas. O Jornal Americano de Genética Humana. 2016.
- McCormick EM, Lott MT, Dulik MC, et al. Especificações dos padrões e diretrizes da ACMG/AMP para a interpretação de variantes do DNA mitocondrial. Mutação Humana. 2020.
- Zook JM, Salit M. Melhores práticas para a avaliação de chamadas de variantes pequenas germinativas em genomas humanos. Biotecnologia da Natureza. 2019.
- Vestido L, Jacobsen JOB, Walker S, et al. Reinterpretação eficiente de casos de doenças raras utilizando o Exomiser. npj Medicina Genómica. 2024.
- Cummings BB, Marshall JL, Tukiainen T, et al. Melhorar o diagnóstico genético em doenças mendelianas com sequenciação do transcriptoma. Medicina Translacional em Ciência. 2017.
- Buenrostro JD, Giresi PG, Zaba LC, Chang HY, Greenleaf WJ. Transposição de cromatina nativa para perfilagem epigenómica rápida e sensível de cromatina aberta, proteínas ligadoras ao DNA e posição de nucleossomas. Métodos da Natureza. 2013.
- Findlay GM, Daza RM, Martin B, et al. Classificação precisa de variantes do BRCA1 com edição genómica de saturação. Natureza. 2018.
Relatório de Priorização de Variantes Genómicas Exemplo
A demonstração mostra como as classificações dos candidatos mudam à medida que são adicionadas evidências técnicas, de herança, fenótipo, efeito molecular e experimental. Também mostra por que um candidato foi excluído ou mantido.
Um relatório específico de projeto pode incluir revisão da qualidade das chamadas, listas de candidatos conscientes da linhagem, similaridade fenotípica, evidência populacional, contexto de transcritos e proteínas, previsões de splicing ou regulatórias, proveniência da literatura, evidências de apoio e conflitantes, e uma tabela de decisão experimental. Os valores exibidos são adaptados ao estudo e nunca apresentados como limites universais.
FAQs sobre a Priorização de Variantes Genómicas Assistida por IA
1. Este é um serviço de diagnóstico clínico?
Não. Esta solução apoia a priorização de investigação e o planeamento experimental. Não fornece um diagnóstico clínico individual, recomendação de tratamento ou relatório médico.
2. Podes começar a partir das nossas notas existentes de VCF e fenótipo?
Sim. Podemos começar com um VCF, pedigree ou manifesto de coorte, notas de fenótipo e uma lista prévia. Os arquivos BAM ou CRAM e informações de cobertura permitem uma revisão técnica mais robusta. Se leituras brutas ou alinhadas não estiverem disponíveis, essa limitação é registada.
3. A IA decide qual variante é causal?
Não. A IA pode ajudar a organizar anotações, comparar fenótipos, recuperar literatura e classificar evidências. Os cientistas revisam os registos de origem, suposições do modelo, conflitos e incertezas. O resultado é uma lista de pesquisa, não uma declaração causal automatizada.
4. Quais tipos de variantes podem ser incluídos?
Dependendo dos dados de entrada, podemos examinar alterações de nucleótido único, pequenas inserções e deleções, candidatos de regiões de splicing e não codificantes, variantes mitocondriais, alterações no número de cópias e eventos estruturais. Cada classe utiliza diferentes evidências de qualidade e efeito.
5. Utiliza um limiar de patogenicidade fixo?
Não. Os limiares dependem da classe de variante, calibração de evidências, desenho do estudo, modelo de herança e ação pretendida. Mostramos a pontuação original e a sua fonte, mas não consideramos um único limite como suficiente para todos os projetos.
6. Consegue priorizar variantes sem um fenótipo detalhado?
Sim, mas o resultado depende mais da frequência, herança, efeito molecular, recorrência de coorte, via ou fenótipo experimental. Afirmamos como a falta de informação fenotípica ou a informação fenotípica ampla limita a classificação a nível de gene.
7. Como lida com variantes de significado incerto?
Identificamos quais evidências estão em falta ou são conflitantes e classificamos os possíveis próximos passos. Um candidato não é promovido simplesmente porque várias ferramentas de previsão concordam. Evidências de transcrição, segregação, regulação ou funcionais podem ser mais informativas.
8. Pode reanalisar um estudo previamente negativo?
Sim. Comparamos a construção de referência original, o conjunto de chamadas, os termos fenotípicos, o conhecimento gene-doença, as bases de dados, os transcritos e as regras de filtragem com as versões atuais. A reanálise não pode recuperar uma variante que o ensaio original não conseguiu observar, por isso os limites de cobertura e tecnologia são revistos primeiro.
9. Quando é recomendada a sequenciação adicional?
Apenas quando uma lacuna específica de evidência pode mudar a decisão. Exemplos incluem confirmação direcionada, membros da família em falta, profundidade mitocondrial insuficiente, estrutura de transcrito não resolvida ou uma região regulatória não medida pelo design original.
10. Quais ficheiros são entregues?
Os resultados típicos incluem tabelas de variantes e genes classificadas, uma matriz de evidências, notas de revisão, registos de fontes e versões, resumos visuais, razões para exclusão de candidatos, prioridades de validação e um plano de reanálise. Os formatos exatos são acordados na fase de entrada do projeto.
Estudo de Caso Publicado
Destaque de Pesquisa Independente
A reanálise transformou uma grande coorte não resolvida numa fila de revisão focada.
Esta publicação é um exemplo de pesquisa independente. Não é um projeto de cliente da CD Genomics.
Fundo
Vestito et al. estudaram como a reanálise orientada pelo fenótipo poderia revisitar casos de genoma completo anteriormente não resolvidos à medida que o conhecimento sobre doenças–genes e as classificações de variantes mudavam. A coorte inicial continha 24.015 participantes não resolvidos do Projeto 100.000 Genomas que já tinham sido avaliados quanto a variantes em genes de doenças conhecidas.
Métodos
Os autores executaram novamente o Exomiser com conhecimento atualizado e avaliaram filtros passo a passo projetados para destacar candidatos recentemente relevantes. A sua estratégia utilizou similaridade fenotípica, consequência de variantes, compatibilidade de herança, relações gene-doença atualizadas e um componente de classificação automatizado. A análise concentrou-se em reduzir o número de candidatos que requeriam reinterpretação manual, mantendo as descobertas de reanálise conhecidas.
Resultados
A reanálise identificou diagnósticos em 463 participantes, representando 2% da coorte não resolvida. A estratégia otimizada alcançou 82% de sensibilidade e 88% de precisão na identificação de novos candidatos e reduziu a carga de revisão para uma média de um ou dois candidatos por caso. O estudo também mostrou que o conhecimento atualizado sobre doenças, genes, fenótipos e variantes — e não apenas um novo experimento de sequenciação — pode tornar um conjunto de dados antigo informativo de novo.
Por Que É Importante
Um fluxo de trabalho de priorização útil deve ser versionado e repetível. Deve distinguir um candidato que foi perdido porque o conhecimento mudou de um que nunca foi observável no ensaio original. Também deve produzir uma fila de revisão gerível e explicável, em vez de uma longa lista que transfira todo o peso para o investigador.
Conclusão
O estudo apoia um design prático para a reanálise de pesquisa: atualizar o conhecimento de forma sistemática, preservar o fenótipo e o contexto de herança, utilizar a computação para reduzir o espaço de busca e manter a revisão por especialistas para a interpretação final.
Nota de acesso aberto: O artigo está licenciado sob a Licença Internacional Creative Commons Atribuição-NãoComercial-SemDerivações 4.0. Esta página resume o estudo sem reproduzir ou adaptar as suas figuras.
Referência
- Vestido L, Jacobsen JOB, Walker S, et al. Reinterpretação eficiente de casos de doenças raras utilizando o Exomiser. npj Medicina Genómica. 2024.
Publicações Selecionadas
Estas publicações independentes fornecem a base metodológica para esta Solução. Não são apresentadas como projetos de clientes da CD Genomics.
- Rentzsch P, Witten D, Cooper GM, Shendure J, Kircher M. CADD: prever a prejudicialidade de variantes em todo o genoma humano. Pesquisa em Ácidos Nucleicos. 2019.
- Pejaver V, Byrne AB, Feng BJ, et al. Calibração de ferramentas computacionais para a classificação da patogenicidade de variantes missense e recomendações da ClinGen para os critérios PP3/BP4. O Jornal Americano de Genética Humana. 2022.
- Ioannidis NM, Rothstein JH, Pejaver V, et al. REVEL: um método de conjunto para prever a patogenicidade de variantes missense raras. O Jornal Americano de Genética Humana. 2016.
- Cheng J, Novati G, Pan J, et al. Predição precisa do efeito de variantes missense em todo o proteoma com AlphaMissense. Ciência. 2023.
- Jaganathan K, Kyriazopoulou Panagiotopoulou S, McRae JF, et al. Previsão de splicing a partir da sequência primária com aprendizagem profunda. Célula. 2019.
- Köhler S, Gargano M, Matentzoglu N, et al. A Ontologia do Fenótipo Humano em 2021. Pesquisa em Ácidos Nucleicos. 2021.
- Bone WP, Washington NL, Buske OJ, et al. A avaliação computacional de dados de sequência de exoma utilizando fenótipos humanos e de organismos modelo melhora a eficiência diagnóstica. Genética na Medicina. 2016.
- Smedley D, Schubach M, Jacobsen JOB, et al. Uma estrutura de análise do genoma completo para a identificação eficaz de variantes regulatórias patogénicas em doenças mendelianas. O Jornal Americano de Genética Humana. 2016.
- McCormick EM, Lott MT, Dulik MC, et al. Especificações dos padrões e diretrizes da ACMG/AMP para a interpretação de variantes do DNA mitocondrial. Mutação Humana. 2020.
- Zook JM, Salit M. Melhores práticas para a avaliação de chamadas de variantes pequenas germinativas em genomas humanos. Biotecnologia da Natureza. 2019.
- Vestido L, Jacobsen JOB, Walker S, et al. Reinterpretação eficiente de casos de doenças raras utilizando o Exomiser. npj Medicina Genómica. 2024.
- Cummings BB, Marshall JL, Tukiainen T, et al. Melhorar o diagnóstico genético em doenças mendelianas com sequenciação do transcriptoma. Medicina Translacional em Ciência. 2017.
- Buenrostro JD, Giresi PG, Zaba LC, Chang HY, Greenleaf WJ. Transposição de cromatina nativa para perfilagem epigenómica rápida e sensível de cromatina aberta, proteínas ligadoras ao DNA e posição de nucleossomas. Métodos da Natureza. 2013.
- Findlay GM, Daza RM, Martin B, et al. Classificação precisa de variantes do BRCA1 com edição genómica de saturação. Natureza. 2018.
