Machine-Readable Database for Genotype-Phenotype Analyses in Rare Diseases Using FKTN-related Congenital Muscular Dystrophies as a Prototype

ملخص تقني: قاعدة بيانات قابلة للقراءة آلياً لتحليلات الارتباط بين النمط الجيني والنمط الظاهري في حالات اعتلال العضلات الخلقي المرتبط بجين FKTN

بيان المشكلة
تمثل اعتلالات العضلات الخلقية (CMDs) المرتبطة بجين FKTN مجموعة فرعية شديدة التباين وفائقة الندرة من اعتلالات ألفا-ديستروغليكان (α-dystroglycanopathies). وبينما يُعد جين FKTN سبباً ثنائي الأليل (biallelic) واضح المعالم لهذه الاضطرابات، إلا أن الأدبيات السريرية مجزأة عبر ما يقرب من 100 بحث يصف مجموعات سكانية متباينة وأنماط ظاهرة متنوعة. حالياً، توجد هذه البيانات بشكل أساسي في نصوص غير منظمة داخل تقارير الحالات والسلاسل، مما يفتقر إلى التوحيد القياسي. هذا الغياب لقاعدة بيانات شاملة وقابلة للقراءة آلياً يعيق القدرة على التنبؤ بالإمراضية الجينية، وفهم الآليات المرضية، واستكشاف الفرص العلاجية لهذه الحالات النادرة. وغالباً ما تفتقر قواعد البيانات الجينية الموجودة (مثل ClinVar و LOVD) إلى معلومات نمط ظاهري مفصلة ومعيارية مرتبطة بأنماط جينية محددة.

المنهجية
استخدم المؤلفون مسار عمل دقيق ومتعدد المراحل لاستخراج وتوحيد وهيكلة البيانات من الأدبيات:

1. تحديد واستخراج الأدبيات:

• تم إجراء بحث تكراري في PubMed (يناير 2022 – أبريل 2024) باستخدام مصطلحات متعلقة بـ FKTN، وfukutin، وdystroglycanopathy، وmuscular dystrophy، مما حدد 288 بحثاً.
• بعد التصفية وفقاً لمعايير الصلة والاشتمال (المرضى الذين لديهم متغيرات في جين FKTN وبيانات سريرية)، تم الاحتفاظ بـ 92 بحثاً، تغطي 749 مريضاً (386 تقريراً فردياً للحالات/سلاسل و363 مريضاً ضمن مجموعات).
• استُخرجت البيانات يدوياً في جدول بيانات ("كتالوج") منظم حسب المريض بدلاً من البحث لمنع التكرار. شملت الحقول المستخرجة: المتغيرات، الجنس، العرق، عمر الظهور، المظاهر السريرية عبر أربعة أجهزة عضوية (العضلات، الجهاز العصبي، القلب، طب العيون)، ونتائج العلاج.

2. توحيد النمط الجيني:

• تم توحيد المتغيرات وفقاً لتنسيق المرجع الجينومي البشري (GRCh38/HG38).
• نظراً لوجود 10 أشكال نسيجية (isoforms) متميزة لجين FKTN في NCBI والافتقار المتكرر لتحديد الشكل النسجي في الأدبيات القديمة، تمت مراجعة المتغيرات ومقارنتها بجميع الأشكال العشرة باستخدام أدوات تشمل VariantValidator وVarsome وMutalyzer 3 وNCBI Nuccore.
• تم حل التعارضات من خلال إعطاء الأولوية لقواعد البيانات المعتمدة سريرياً (LOVD، ClinVar) أو إعادة بناء المواقع الأصلية بناءً على تفاصيل الأوراق البحثية.
• تم تحويل البيانات إلى تنسيق استدعاء المتغير القياسي (VCF)، مع تعديلات محددة لعمليات الإدخال والحذف. وتم استبعاد تدوينات الهابلوتايب (Haplotype notations) التي لم يكن من الممكن ربطها بمتغيرات محددة.

3. توحيد النمط الظاهري (مسار معالجة اللغات الطبيعية - NLP):

• تم تحويل الأوصاف السريرية باللغة الطبيعية إلى مصطلحات الوجودة الظاهرية البشرية (HPO) باستخدام أداة PhenoTger.
• لمعالجة عدم قدرة الأداة على اكتشاف النفي (على سبيل المثال، اعتبار "لا يوجد ضعف عضلي" كظاهرة إيجابية بالخطأ)، دمج المؤلفون أداة NegBio وطوروا سكربتات مخصصة. استخدمت هذه السكربتات قاموساً لمصطلحات النفي لتصفية النتائج الإيجابية الزائفة.
• نجحت هذه الطريقة المدمجة في تصفية أكثر من 90% من المعلومات الإيجابية غير ذات الصلة، مما قلل عدد مصطلحات HPO الفريدة من 505 إلى 341 ظاهرة ذات صلة بعد التنقيح اليدوي لإزالة المتغيرات المربكة (مثل الأعراض الناجمة عن الستيرويدات).

4. تطوير مقياس الشدة السريرية:

• تم تطوير مقياس جديد للشدة السريرية بناءً على أقصى مرحلة حركية (motor milestone) حققها المريض في حياته، مع تكييف تصنيف "أويدا" المعدل (modified Ueda classification).
• تعريفات المقياس:
  • 1 (خفيف): تحقيق المشي المستقل.
  • 2 (متوسط): تحقيق الجلوس أو الوقوف المستقل.
  • 3 (شديد): عدم تحقيق الجلوس أو الوقوف المستقل أو التحكم في الرأس أبداً.
  • C: أصغر من أن يتم تحديد المرحلة.
  • X: معلومات غير كافية.
• كما تم تعيين مؤشرات ثنائية (وجود/غياب) للأمراض في الأجهزة العضوية: العصبية، القلبية، وطب العيون.

النتائج الرئيسية

• تكوين مجموعة البيانات: تتضمن مجموعة البيانات النهائية القابلة للقراءة آلياً 749 مريضاً من 92 بحثاً. وبعد استبعاد "المرضى ضمن نطاقات" (PIR) لضمان سلامة بيانات الأفراد، ركز التحليل على سجلات مرضى محددين.
• النتائج الجينية: تم تحديد 52 تركيبة فريدة للنمط الجيني. كانت الأكثر شيوعاً هي حالة تماثل الزيجوت (homozygosity) للمتغير السلفي الياباني الأصلي (إدخال 3-kb retrotransposon في 3' UTR). وشملت المتغيرات البارزة الأخرى المتغير السلفي الخاص بآشكينازي (c.1167dup) والمتغيرات في المجموعات السكانية التركية.
• التوزيع الظاهري:
  • الشدة: تم تصنيف 60 مريضاً كحالات خفيفة (1)، و157 كحالات متوسطة (2)، و60 كحالات شديدة (3). و11 مريضاً كانوا في سن صغيرة جداً (C)، وآخرون افتقروا للبيانات الكافية (X).
  • الأجهزة العضوية: تأثر 337 مريضاً بالأعراض المتعلقة بالعضلات، و173 مريضاً بالأعراض العصبية (الجهاز العصبي المركزي)، و57 مريضاً بأعراض طب العيون، و51 مريضاً بأعراض القلب.
• أداء معالجة اللغات الطبيعية (NLP): نجح دمج NegBio والسكربتات المخصصة في تصفية أكثر من 90% من المعلومات الإيجابية غير ذات الصلة أثناء استخراج النمط الظاهري، مما حسن دقة البيانات بشكل كبير مقارنة باستخدام NegBio وحده (الذي حقق معدل تصفية بنسبة ~60%).

الأهمية والادعاءات
يقدم البحث نهجاً شاملاً لاستخراج وتوحيد الأدبيات المتعلقة باعتلالات العضلات الخلقية المرتبطة بجين FKTN، مما يعد نموذجاً تجريبياً لاستخراج البيانات في أمراض أحادية الجين نادرة أخرى.

• المخطط المنهجي: يضع المؤلفون هذا العمل كـ "مخطط" (blueprint) لتنظيم البيانات في الأمراض أحادية الجين النادرة الأخرى. إن المسار شبه الآلي (الاستخراج اليدوي + توحيد النمط الظاهري عبر NLP + التصفية المخصصة) مصمم ليكون قابلاً للتكرار في اضطرابات أخرى ذات أحجام أدبيات مماثلة (~200 بحث).
• مبادئ البيانات FAIR: تحول مجموعة البيانات الأدبيات التاريخية غير المنظمة إلى بيانات FAIR (قابلة للإيجاد، والوصول، والتشغيل البيني، وإعادة الاستخدام)، مما يسمح بدمجها في سجلات الأمراض النادرة الأوسع نطاقاً.
• الفائدة السريرية: يوفر مقياس الشدة السريرية الجديد الذي تم تطويره معياراً موحداً لتصنيف بيانات النمط الظاهري، مما يسهل دراسات الارتباط بين النمط الجيني والنمط الظاهري.
• الأتمتة المستقبلية: يشير المؤلفون بتواضع إلى أنه بينما تظل الأتمتة الحالية محدودة بالحاجة إلى الوسم اليدوي وتوحيد المتغيرات المعقد، فإن مجموعة البيانات هذه تعمل كعنصر تحكم ومنصة تدريب لنماذج اللغات الكبيرة (LLMs) المستقبلية لتحقيق استخراج وتنسيق ذاتي بالكامل للأدبيات.

هذا العمل مدعوم من برنامج الأبحاث الداخلية في معهد NIH وهو متاح عبر قاعدة بيانات ®RARe-SOURCE ودلوفات GitHub المرتبطة بها.