CoNVict: An Agentic AI System for Copy Number Variation Prioritization in Rare Disease Diagnosis

Das Paper stellt CoNVict vor, ein zweistufiges agentices KI-System, das durch verurteilende Klassifizierung und Turnier-Ranking die Priorisierung von Copy-Number-Variationen bei der Diagnose seltener Erkrankungen verbessert und dabei bestehende computergestützte Methoden in der Identifizierung kausaler Varianten übertrifft.

Das Wesentliche

🕵️‍♂️ CoNVict: Der digitale Detektiv für seltene Krankheiten

Stellen Sie sich vor, Ihr Körper ist wie eine riesige Bibliothek, in der jedes Buch ein Gen ist. Bei manchen Menschen fehlt ein ganzes Buchkapitel oder es wurde versehentlich doppelt kopiert. Diese Fehler nennt man CNVs (Copy Number Variants). Sie sind oft der Grund für seltene, rätselhafte Krankheiten.

Das Problem für Ärzte ist: In einem einzigen Fehler können Dutzende von Kapiteln (Genen) betroffen sein. Es ist wie ein riesiger Haufen Puzzleteile, und die Ärzte müssen herausfinden: Welches einzelne Teil ist eigentlich das schuldige?

Bisherige Computerprogramme waren wie sehr schnelle, aber etwas dusselige Bibliothekare. Sie konnten alle Bücher schnell durchsuchen und sagen: "Dieses Buch ist kaputt!" Aber sie konnten nicht gut beurteilen, ob dieses kaputte Buch wirklich zu den Symptomen des Patienten passt. Das mussten die Ärzte mühsam selbst machen.

Hier kommt CoNVict ins Spiel.

🤖 Was ist CoNVict?

CoNVict ist kein gewöhnlicher Computer, sondern ein KI-Agent (ein künstlicher Intelligenz-Assistent). Man kann sich ihn wie einen erfahrenen, super-intelligenten Detektiv vorstellen, der nicht nur Fakten abruft, sondern nachdenkt.

Der Name ist ein Wortspiel: Es klingt wie "Convict" (verurteilen), aber es steht für Conviction (Überzeugung) und Copy Number Variants.

🏆 Wie funktioniert CoNVict? (Die zwei Schritte)

CoNVict arbeitet in zwei Phasen, ähnlich wie ein großes Sportturnier oder ein Auswahlprozess für eine Elite-Truppe.

Schritt 1: Die große Vorauswahl (Der "Verdict"-Filter)

Stellen Sie sich vor, Sie haben 500 verdächtige Puzzleteile (die CNVs) vor sich. CoNVict schaut sich jedes einzelne an und stellt sich drei Fragen:

1. Passt dieses Teil zu den Symptomen des Patienten? (z. B. hat das Kind Probleme mit dem Lernen, und das Gen ist im Gehirn aktiv?)
2. Ist das Teil so beschädigt, dass es wirklich schaden kann?
3. Ist es unwahrscheinlich, dass es schuld ist?

Dazu nutzt CoNVict eine moderne KI (eine "Large Language Model"), die wie ein Arzt liest, der medizinische Fachbücher und Patientenakten kennt.

• Relevant: "Aha! Das könnte es sein!"
• Abwarten: "Hmm, vielleicht, aber ich bin mir nicht sicher."
• Irrelevant: "Nein, das hat nichts mit dem Patienten zu tun."

Dadurch werden die 500 Verdächtigen auf die wichtigsten 32 bis 64 reduziert.

Schritt 2: Das Duell-Turnier (Der "Tournament"-Rang)

Jetzt haben wir noch eine Handvoll Verdächtiger. Aber welcher ist der wahrscheinlichste Schuldige?
Hier kommt CoNVicts genialer Trick: Das Turnier.

Stellen Sie sich ein Boxturnier vor. Die Verdächtigen werden nicht einzeln bewertet, sondern gegeneinander angetreten:

• Kampf 1: Verdächtiger A gegen Verdächtiger B.
• Die KI fragt sich: "Wer passt besser zu den Symptomen des Patienten? Wer hat stärkere Beweise?"
• Der Gewinner kommt in die nächste Runde, der Verlierer scheidet aus.

Dieses Duellieren passiert so lange, bis ein Meister übrig bleibt. Dieser "Meister" wird dann als Nr. 1 in der Liste empfohlen. Die anderen werden in der Reihenfolge sortiert, in der sie im Turnier ausgeschieden sind.

🚀 Warum ist das so besonders?

1. Es denkt mit dem Patienten: Frühere Programme waren wie ein Roboter, der nur nach "Buchstaben" suchte. CoNVict versteht den Kontext. Es weiß: "Oh, der Patient hat eine spezielle Gesichtsdysmorphie und Lernschwierigkeiten? Dann ist dieses Gen hier viel wichtiger als jenes dort."
2. Es findet auch die "Geister": Oft sind die Fehler in den Genen so neu oder so kompliziert (z. B. in Bereichen, die keine Proteine produzieren), dass keine Datenbank sie kennt. CoNVict kann trotzdem raten, indem es logisch schließt, ähnlich wie ein Detektiv, der aus Indizien den Täter findet, auch wenn es kein Foto von ihm gibt.
3. Es ist schnell und genau: In Tests hat CoNVict die schuldigen Gene viel öfter an Platz 1 gefunden als alle anderen bekannten Programme. Besonders bei Whole-Genome-Sequenzierung (wo man den ganzen Haufen Puzzleteile hat und nicht nur einen Teil), wo es sonst wie eine Nadel im Heuhaufen ist, bleibt CoNVict ruhig und findet die Nadel.

🎯 Das Fazit in einem Satz

CoNVict ist wie ein KI-Detektiv, der nicht nur Daten abruft, sondern wie ein erfahrener Arzt logisch abwägt und durch ein intelligentes Duell-System den wahrscheinlichsten Schuldigen für eine seltene Krankheit findet, um Ärzten die Diagnose zu erleichtern.

Es schließt die Lücke zwischen roher Rechenleistung und menschlicher klinischer Intuition.

Technische Zusammenfassung

1. Problemstellung

Die Diagnose seltener genetischer Erkrankungen wird maßgeblich durch Copy Number Variants (CNVs) (Deletionen oder Duplikationen von 50 bp bis zu mehreren Megabasen) verursacht, die etwa 15–20 % der Fälle mit neuroentwicklungsbedingten Störungen ausmachen. Die klinische Interpretation von CNVs stellt jedoch eine erhebliche Herausforderung dar:

• Komplexität: CNVs können viele Gene umfassen, regulatorische Elemente stören oder Genfusionen an den Bruchstellen erzeugen. Ihr klinischer Impact hängt stark von der Dosierungssensitivität der überlappenden Gene und dem Phänotyp des Patienten ab.
• Limitationen bestehender Tools: Aktuelle computergestützte Werkzeuge (z. B. Exomiser, PhenoSV, SvAnna) automatisieren oft nur die Annotation auf Variantenebene oder nutzen statische Scoring-Funktionen. Sie sind nicht in der Lage, die kontextspezifische Evidenzsynthese durchzuführen, die für die Experten-Diagnostik notwendig ist. Insbesondere bei Varianten unklarer Signifikanz (VUS) und nicht-kodierenden CNVs versagen diese Ansätze oft, da sie keine vergleichende Bewertung innerhalb desselben klinischen Kontexts vornehmen können.
• Lücke: Es besteht eine Kluft zwischen der hohen Durchsatzrate der Annotation und der Fähigkeit, patientenspezifische diagnostische Entscheidungen zu treffen.

2. Methodik: Das CoNVict-System

CoNVict ist ein zweistufiges agentic AI-System, das Large Language Models (LLMs) nutzt, um CNVs patientenspezifisch zu priorisieren. Der Workflow integriert strukturierte Daten mit kontextbasiertem Schlussfolgern:

• Vorverarbeitung & Filterung:
  • Eingabe: Eine VCF-Datei mit CNVs.
  • Annotation: Verwendung von AnnotSV für Gen-Level-Annotationen.
  • Pre-Filtering: CNVoyant erstellt eine vorläufige Rangliste; die Top-64 (WES) bzw. Top-512 (WGS) Kandidaten werden für die weitere Analyse behalten.
• Gene Cache: Ein vorab berechneter Cache enthält für jedes Gen kompakte, phänotyprelevante Schlüsselwörter, die durch Webrecherche und LLM-Grounding (basierend auf OMIM, ClinVar, HPO etc.) generiert wurden. Dies ermöglicht effizientes Reasoning ohne Kontextfenster-Überlauf.
• Stufe 1: CNVerdict (Triagierung):
  • Ein LLM klassifiziert jeden verbleibenden Kandidaten in eine von drei Kategorien: „relevant", „abstain" (abwarten) oder „irrelevant".
  • Die Entscheidung basiert auf der Übereinstimmung zwischen den Gen-Keywords, der Dosierungssensitivität (z. B. pLI, ClinGen HI/TS Scores) und den patientenspezifischen HPO-Termen sowie der klinischen Epikrise.
  • Die Top-32 (WES) bzw. Top-64 (WGS) der als „relevant" eingestuften Varianten gehen in die nächste Stufe.
• Stufe 2: Tournament Ranking (Turnier-basierte Rangfolge):
  • Anstatt alle Varianten gleichzeitig zu bewerten, führt das System ein Turnier durch, bei dem Paare von CNVs gegeneinander antreten.
  • Das LLM vergleicht zwei Varianten basierend auf dem „CoNVict Clinical Patient Context" (HPO-Terme, Epikrise, detaillierte Gen-Reports inkl. regulatorischer Effekte).
  • Durch iterative Runden (Single-Elimination plus Extraktion der Top-K) wird eine finale, sortierte Liste der Top-4 (WES) bzw. Top-8 (WGS) Kandidaten erstellt.
  • Dieser Ansatz imitiert das iterative Evidenzsammeln und den direkten Vergleich, wie es klinische Genetiker durchführen.

3. Wichtige Beiträge

• Agentic AI für die Genetik: CoNVict ist eines der ersten Systeme, das LLM-basierte Agenten nicht nur zur Klassifizierung, sondern zur kontextuellen Priorisierung und zum Vergleich von CNVs einsetzt.
• Überwindung statischer Scores: Das System verzichtet auf starre Punktesysteme und nutzt stattdessen „In-Context Learning", um heterogene Annotationen (Dosierungssensitivität, Struktur, Phänotyp) dynamisch zu gewichten.
• Robustheit bei Unsicherheit: Das System wurde speziell entwickelt, um mit VUS und neuartigen (novel) Varianten umzugehen, bei denen keine Referenzdaten in Datenbanken existieren.
• Skalierbarkeit: Durch den Pre-Filtering-Schritt und die effiziente Nutzung des Gene Caches bleibt der Rechenaufwand trotz der komplexen LLM-Interaktionen handhabbar.

4. Ergebnisse

Das System wurde an einem Benchmark von 397 simulierten diagnostischen Fällen (aus ClinVar, DECIPHER, UDN und neu generierten Fällen) getestet und mit etablierten Tools (Exomiser, PhenoSV, SvAnna) verglichen:

• Gesamtleistung: CoNVict platzierte die kausale CNV in 74,3 % der Fälle auf Rang 1 und in 89,2 % der Fälle innerhalb der Top 5. Dies ist eine signifikante Steigerung von +10,3 % (Rang 1) und +7,3 % (Top 5) gegenüber dem zweitbesten Tool (Exomiser).
• WGS vs. WES: CoNVict zeigte besonders starke Leistung bei Whole-Genome Sequencing (WGS), wo die Hintergrund-Noise (ca. 969 CNVs pro Patient) deutlich höher ist als bei WES. Während andere Tools bei WGS stark an Leistung verloren, behielt CoNVict eine Top-5-Recall-Rate von 70,1 %.
• Varianten unklarer Signifikanz (VUS): Bei VUS-Kandidaten (sowohl aus Datenbanken als auch neuartige Fälle) übertraf CoNVict Exomiser deutlich (54,8 % Top-1 Recall vs. 38,7 %). Bei völlig neuen, nicht in Datenbanken gelisteten Varianten lag CoNVict bei 49,0 % Top-1 Recall, während Exomiser nur 25,5 % erreichte.
• Nicht-kodierende Varianten: CoNVict war das einzige Tool, das nicht-kodierende und intergene Varianten erfolgreich priorisieren konnte (44,4 % Top-1 Recall vs. 11,1 % für Exomiser und 0 % für SvAnna).
• Generalisierung: Die Leistung war über verschiedene Krankheitskategorien, CNV-Größen und -Typen hinweg robust.

5. Bedeutung und Ausblick

CoNVict demonstriert, dass agentic AI-Systeme die Lücke zwischen automatisierter Annotation und der komplexen, patientenspezifischen klinischen Reasoning schließen können.

• Klinische Relevanz: Das System kann die Diagnosezeit verkürzen und die Entdeckung kausaler Varianten in schwierigen Fällen (VUS, nicht-kodierend) erhöhen, wo menschliche Experten oft überfordert sind.
• Zukunft: Die Autoren sehen Potenzial in der Integration von Trio-Daten (Ererbungsmuster) und funktionellen Genomdaten. Eine Validierung an prospektiven klinischen Kohorten steht noch aus, da die aktuellen Ergebnisse auf simulierten Daten basieren.

Zusammenfassend bietet CoNVict einen Paradigmenwechsel von statischen Scoring-Modellen hin zu einem dynamischen, kontextbewussten KI-System, das die diagnostische Genauigkeit bei seltenen genetischen Erkrankungen signifikant verbessert.