'Truthsets' for clinical validation of large-scale functional assays: Practice recommendations from Cancer Variant Interpretation Group UK (CanVIG-UK)

Resumen Técnico: 'Truthsets' para la validación clínica de ensayos funcionales a gran escala: Recomendaciones de práctica del Cancer Variant Interpretation Group UK (CanVIG-UK)

Planteamiento del problema
La clasificación de las variantes de significado incierto (VUS), particularmente las variantes missense raras, sigue siendo un desafío crítico en la genómica clínica. Si bien los ensayos multiplex de efecto de variantes (MAVEs) a gran escala ofrecen un potencial transformador para resolver estas variantes, existe una brecha de implementación significativa entre la publicación de datos funcionales y su adopción rutinaria en los servicios de diagnóstico clínico. Esta breora es impulsada por la falta de consenso sobre cómo construir "truthsets" (conjuntos de verdad): conjuntos de referencia de variantes clasificadas clínicamente como patogénicas y benignas utilizadas para validar el rendimiento de un ensayo.

Las prácticas actuales varían ampliamente, y muchos desarrolladores de ensayos utilizan tipos de variantes mixtos (por ejemplo, combinando variantes de truncamiento de proteína [PTV], variantes sinónimas y variantes missense) para la validación. Esta heterogeneidad crea ambigüedad y reduce la confianza entre los científicos de diagnóstico clínico. Además, el marco existente de validación clínica a nivel de ensayo de ClinGen (Brnich et al., 2020) proporciona una guía base, pero carece de mandatos específicos con respecto a la composición del truthset, lo que puede conducir a una sobreestimación del rendimiento del ensayo y a una asignación inconsistente de puntos de evidencia (EP).

Metodología
CanVIG-UK (Cancer Variant Interpretation Group UK) desarrolló recomendaciones de consenso a través de un proceso de consulta nacional iterativo que involucró al CStAG (CanVIG Steering Advisory Group), a miembros más amplios y a expertos internacionales en genómica funcional. La metodología comprendió tres componentes principales:

1. Encuesta de prácticas actuales: Un análisis de las páginas CSpec de 112 genes en 39 Paneles de Expertos en Curación de Variantes (VCEP) reveló la aplicación inconsistente de datos funcionales y una amplia variación en la procedencia de los truthsets.
2. Análisis de truthsets: Los autores realizaron 2,120 validaciones clínicas distintas a través de cuatro genes y sus correspondientes ensayos. Estos análisis variaron sistemáticamente los parámetros de composición del truthset, incluyendo:
   • Tipo de variante (solo missense frente a PTV/sinónimas frente a todas las variantes).
   • Rigurosidad de la clasificación de ClinVar (por ejemplo, patogénica frente a probablemente patogénica, número de remitentes, permiso de "conflictos suaves").
   • Aumento con variantes benignas "proxy-clínicas" (derivadas sistemáticamente utilizando las reglas ACMG/AMP sobre datos poblacionales y in silico).
   • Rigurosidad de la asociación fenotípica y zonas de puntuación deletérea.
3. Construcción de consenso: Los hallazatos preliminares se presentaron al CStAG, a CanVIG-UK y al ClinGen Functional Working Group. A través de múltiples iteraciones y revisiones, se establecieron nueve principios rectores y siete recomendaciones de mejores prácticas, específicamente adaptadas para genes de susceptibilidad al cáncer donde la pérdida de función es el mecanismo de patogenicidad.

Contribuciones clave y resultados
El estudio establece un marco estandarizado para la construcción de truthsets con el fin de garantizar una validación clínica independiente y consistente.

• Nueve principios rectores:

  • Principio A: La validación debe reflejar tanto la predictibilidad (concordancia) como la confianza (potencia/número de variantes).
  • Principio B: Existe una asimetría mecánica: demostrar la patogenicidad requiere demostrar un mecanismo abrogado, mientras que demostrar la benignidad requiere confirmar que todos los mecanismos son neutros.
  • Principio C: El cambio de VUS a patogénica tiene una mayor utilidad clínica pero también un mayor riesgo de error en comparación con el cambio a benigna.
  • Principio D: Las variantes missense son el objetivo crítico. Los datos funcionales influyen más en la clasificación missense. Utilizar PTVs o variantes sinónimas como truthsets primarios puede sobreestimar el rendimiento porque no recapitulan los desafíos específicos de las variantes missense (por ejemplo, perturbaciones funcionales modestas).
  • Principio E: Los umbrales definidos por el desarrollador del ensayo (a menudo calibrados en PTVs/variantes sinónimas) pueden no alinearse con las distribuciones missense, lo que podría llevar a clasificaciones erróneas cerca de los umbrales.
  • Principio F y G: Existe una escasez de variantes missense clasificadas clínicamente como benignas y patogénicas, lo que limita la potencia estadística.
  • Principio H: La contaminación del truthset atenúa los puntos de evidencia (EPs) pero no los infla.
  • Principio I: Se debe evitar la circularidad donde las clasificaciones clínicas dependen de los mismos datos funcionales utilizados para la validación.

• Siete recomendaciones de mejores prácticas:

  1. Truthsets de solo missense: Para ensayos destinados a interpretar variantes missense, los truthsets deben comprender únicamente variantes missense. No se recomienda mezclar PTVs o variantes sinónimas, ya que esto diluye la señal y conlleva el riesgo de sobreestimación.
  2. Validación independiente: La validación clínica debe realizarse independientemente de la calibración inicial del desarrollador del ensayo, utilizando variantes de truthset distintas cuando sea posible.
  3. Rigurosidad relajada: Para mejorar la potencia (y, por ende, los EPs), se puede relajar la rigurosidad respecto a la clasificación de ClinVar (por ejemplo, permitiendo clasificaciones "probables" o conflictos suaves), siempre que el truthset se defina a priori.
  4. Variantes benignas proxy-clínicas: Los truthsets missense benignos pueden aumentarse con variantes "proxy-clínicas": variantes que no han sido reportadas clínicamente pero que han sido clasificadas sistemáticamente como benignas utilizando datos poblacionales (ej. gnomAD) y predicciones in silico.
  5. Evidencia para la benignidad: Si existen suficientes variantes missense concordantes patogénicas, se puede asignar evidencia de benignidad (BS3). Si existen menos de tres, se puede asignar un único EP si las variantes definidas por el ensayo como deletéreas muestran una asociación estadísticamente significativa con el fenotipo de la enfermedad en su conjunto.
  6. Análisis de distribución de puntuación: La distribución de las puntuaciones del ensayo para los truthsets missense debe compararse con las distribuciones de PTV/sinónimas para asegurar que los umbrales sean apropiados.
  7. Mitigación de la circularidad: Se recomienda filtrar o censurar los datos de ClinVar (por ejemplo, excluir clasificaciones realizadas después de la publicación del ensayo o aquellas que dependen de los propios datos del ensayo) para evitar la circularidad.

• Corrección matemática: Se propone una corrección matemática específica (corrección de Haldane) para escenarios donde existen cero variantes missense patogénicas concordantes pero hay suficientes variantes benignas disponibles, lo que permite el cálculo de los puntos de evidencia de patogenicidad.

Significación y afirmaciones
El artículo afirma que estos principios y recomendaciones proporcionan una base necesaria para la implementación clínica de los ensayos funcionales a gran escala. Al exigir truthsets de solo missense y ofrecer estrategias para superar la escasez de datos (mediante variantes proxy-clínicas y rigurosidad relajada), el marco busca:

1. Abordar la brecha de implementación entre la publicación de datos funcionales y su uso clínico.
2. Permitir una validación independiente y consistente que evite la sobreestimación del rendimiento del ensayo.
3. Facilitar la clasificación de VUS basada únicamente en datos funcionales, lo cual se está volviendo factible bajo las próximas directrices ACMG/AMP v4.0 (donde los datos funcionales pueden proporcionar hasta +8/-8 puntos).

Los autores enfatizan que, si bien estas recomendaciones se desarrollaron para genes de susceptibilidad al cáncer que actúan mediante pérdida de función, estas constituyen una discusión fundacional para otros contextos funcionales y de enfermedad. El trabajo reconoce las limitaciones, como la falta de métodos "proxy-clínicos" para variantes patogénicas y los desafíos de validar la penetrancia reducida o las variantes no codificantes, identificándolos como prioridades para trabajos futuros.