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

Technisches Resümee: Maschinenlesbare Datenbank für Genotyp-Phänotyp-Analysen bei FKTN-assoziierten kongenitalen Muskel-Dystrophien

Problemstellung
FKTN-assoziierte kongenitale Muskel-Dystrophien (CMDs) stellen eine hochgradig heterogene, ultra-seltene Untergruppe der $\alpha$-Dystroglykanopathien dar. Während das FKTN-Gen eine gut definierte biallele Ursache dieser Störungen ist, ist die klinische Literatur über nahezu 100 Manuskripte verteilt, die disparate Populationen und variierende Phänotypen beschreiben. Derzeit existieren diese Daten primär in unstrukturiertem Text innerhalb von Fallberichten und Serien und es mangelt an einer Harmonisierung. Das Fehlen einer umfassenden, maschinenlesbaren Datenbank behindert die Vorhersage der genetischen Pathogenität, das Verständnis pathogener Mechanismen und die Erforschung therapeutischer Möglichkeiten für diese seltenen Erkrankungen. Bestehende genomische Datenbanken (z. B. ClinVar, LOVD) lassen oft detaillierte, standardisierte phänotypische Informationen fehlen, die mit spezifischen Genotypen verknüpft sind.

Methodik
Die Autoren verwendeten eine rigorose, mehrstufige Pipeline zur Extraktion, Harmonisierung und Strukturierung der Daten aus der Literatur:

1. Identifizierung und Extraktion der Literatur:

   • Eine iterative Suche in PubMed (Januar 2022 – April 2024) unter Verwendung von Begriffen im Zusammenhang mit FKTN, Fukutin, Dystroglykanopathie und Muskel-Dystrophie identifizierte 288 Manuskripte.
   • Nach Filterung nach Relevanz und Einschlusskriterien (Patienten mit FKTN-Varianten und klinischen Daten) wurden 92 Manuskripte beibehalten, die 749 Patienten abdeckten (386 einzelne Fallberichte/Serien und 363 gruppierte Patienten).
   • Die Daten wurden manuell in eine Tabelle („Katalog“) extrahiert, die nach Patienten statt nach Manuskripten organisiert war, um Duplikationen zu vermeiden. Extrahierte Felder waren Varianten, Geschlecht, Ethnizität, Alter bei Onset, klinische Manifestationen in vier Organsystemen (Muskel, neurologisch, kardial, ophthalmologisch) und Behandlungsergebnisse.

2. Genotyp-Harmonisierung:

   • Die Varianten wurden auf das Format des Genome Reference Consortium Human Build 38 (GRCh38/HG38) standardisiert.
   • Aufgrund der Existenz von 10 distinkten FKTN-Transkript-Isoformen in NCBI und der häufigen fehlenden Spezifikation der Isoform in älterer Literatur wurden die Varianten gegen alle zehn Isoformen unter Verwendung von Werkzeugen wie VariantValidator, Varsome, Mutalyzer 3 und NCBI Nuccore abgeglichen.
   • Konflikte wurden durch Priorisierung klinisch validierter Datenbanken (LOVD, ClinVar) oder durch Rekonstruktion der ursprünglichen Lokalisation anhand spezifischer Details aus den Papieren gelöst.
   • Die Daten wurden in ein Standard-Variant-Call-Format (VCF) konvertiert, mit spezifischen Modifikationen für Insertionen und Deletionen. Haplotyp-Notationen, die nicht auf spezifische Varianten abgebildet werden konnten, wurden ausgeschlossen.

3. Phänotyp-Harmonisierung (NLP-Pipeline):

   • Natürliche sprachliche klinische Beschreibungen wurden mittels PhenoTagger in Human Phenotype Ontology (HPO)-Terme umgewandelt.
   • Um die Unfähigkeit des Tools zu adressieren, Negationen zu erkennen (z. B. wurde „keine Muskelschwäche“ fälschlicherweise als positiver Phänotyp identifiziert), integrierten die Autoren NegBio und entwickelten benutzerdefinierte Skripte. Diese Skripte nutzten ein Wörterbuch von Negationstermen, um falsch-positive Ergebnisse zu filtern.
   • Dieser kombinierte Ansatz filterte über 90 % der nicht relevanten positiven Informationen heraus und reduzierte die initialen 505 eindeutigen HPO-Terme auf 341 relevante Phänotypen nach manueller Kuratierung zur Entfernung von Störvariablen (z. B. steroidinduzierte Symptome).

4. Entwicklung einer klinischen Schweregrad-Skala:

   • Eine neue klinische Schweregrad-Skala wurde entwickelt, basierend auf dem maximal erreichten motorischen Meilenstein im Leben eines Patienten, wobei die modifizierte Ueda-Klassifikation adaptiert wurde.
   • Definitionen der Skala:
     • 1 (Mild): Unabhängiges Gehen erreicht.
     • 2 (Moderat): Unabhängiges Sitzen oder Stehen erreicht.
     • 3 (Schwer): Unabhängiges Sitzen, Stehen oder Kopfkontrolle nie erreicht.
     • C: Zu jung, um einen Meilenstein zu bestimmen.
     • X: Unzureichende Informationen.
   • Binäre Indikatoren wurden zudem für das Vorhandensein oder Fehlen von neurologischen, kardialen oder ophthalmologischen Pathologien zugewiesen.

Wichtigste Ergebnisse

• Zusammensetzung des Datensatzes: Der endgültige maschinenlesbare Datensatz umfasst 749 Patienten aus 92 Manuskripten. Nach Ausschluss von „Patienten in Bereichen“ (Patients in Ranges, PIR), um die Integrität der Einzeldaten zu gewährleisten, konzentrierte sich die Analyse auf spezifische Patientenakten.
• Genetische Befunde: 52 eindeutige Genotyp-Kombinationen wurden identifiziert. Die am häufigsten vorkommende war die Homozygotie für die japanische Ahnen-Founder-Variante (3-kb-Retrotransposon-Insertion in der 3' UTR). Weitere bemerkenswerte Varianten waren die aschkenasische Founder-Variante (c.1167dup) und Varianten in türkischen Populationen.
• Phänotypische Verteilung:
  • Schweregrad: 60 Patienten wurden als mild (1), 157 als moderat (2) und 60 als schwer (3) klassifiziert. 11 waren zu jung (C), andere verfügten über unzureichende Daten (X).
  • Organsysteme: Muskelbezogene Symptome betrafen 337 Patienten, neurologische (ZNS) Symptome 173, ophthalmologische Symptome 57 und kardiale Symptome 51.
• NLP-Leistung: Die Integration von NegBio und benutzerdefinierten Skripten filterte erfolgreich über 90 % der nicht relevanten positiven Informationen während der Phänotyp-Extraktion heraus, was die Datengenauigkeit im Vergleich zur alleinigen Verwendung von NegBio (~60 % Filterrate) signifikant verbesserte.

Bedeutung und Ansprüche
Die Arbeit präsentiert einen umfassenden Ansatz zur Literatur-Extraktion und -Harmonisierung für FKTN-assoziierte CMDs und dient als Pilotprojekt für ähnliche Datenextraktionen bei anderen seltenen monogenen Erkrankungen.

• Methodischer Bauplan: Die Autoren positionieren diese Arbeit als „Bauplan“ für die Datenkuratierung anderer seltener monogener Krankheiten. Die halb-automatisierte Pipeline (manuelle Extraktion + NLP-Harmonisierung + benutzerdefinierte Filterung) ist für andere Erkrankungen mit ähnlichem Literaturvolumen (~200 Paper) replizierbar gestaltet.
• FAIR-Datenprinzipien: Der Datensatz transformiert unstrukturierte historische Literatur in FAIR-Daten (Findable, Accessible, Interoperable, Reusable), was die Integration in breitere Register für seltene Erkrankungen ermöglicht.
• Klinischer Nutzen: Die neu entwickelte klinische Schweregrad-Skala bietet eine standardisierte Metrik zur Kategorisierung phänotypischer Daten, was Genotyp-Phänotyp-Korrelationsstudien erleichtert.
• Zukünftige Automatisierung: Die Autoren merken bescheiden an, dass die aktuelle Automatisierung durch die Notwendigkeit des manuellen Taggings und der komplexen Varianten-Harmonisierung begrenzt ist, dieser Datensatz jedoch als Kontrolle und Trainingsgrundlage für zukünftige Large Language Models (LLMs) dient, um eine vollautonome Literatur-Extraktion und -Kuratierung zu erreichen.

Die Arbeit wird durch das Intramural Research Program des NIH unterstützt und ist über die RARe-SOURCE® Datenbank und die zugehörigen GitHub-Repositories verfügbar.