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

Resumen Técnico: Base de Datos Legible por Máquina para Análisis de Genotipo-Fenotipo en Distrofias Musculares Congénitas relacionadas con FKTN

Planteamiento del Problema
Las distrofias musculares congénitas (DMC) relacionadas con FKTN representan un subconjijo altamente heterogéneo y ultra-raro de las $\alpha$-distroglicanopatías. Si bien el gen FKTN es una causa biallelica bien definida de estos trastornos, la literatura clínica está fragmentada en casi 100 manuscritos que describen poblaciones dispares y fenotipos variados. Actualmente, estos datos existen principalmente en texto no estructurado dentro de reportes de casos y series, careciendo de armonización. Esta ausencia de una base de datos exhaustiva y legible por máquina dificulta la capacidad de predecir la patogenicidad genética, comprender los mecanismos patogénicos y explorar oportunidades terapéuticas para estas condiciones raras. Las bases de datos genómicas existentes (p. ej., ClinVar, LOVD) a menudo carecen de información fenotípica detallada y estandarizada vinculada a genotipos específicos.

Metodología
Los autores emplearon un riguroso flujo de trabajo de múltiples etapas para extraer, armonizar y estructurar los datos de la literatura:

1. Identificación y Extracción de Literatura:

   • Una búsqueda iterativa en PubMed (enero de 2022 – abril de 2024) utilizando términos relacionados con FKTN, fukutin, dystroglycanopathy y muscular dystrophy identificó 288 manuscritos.
   • Tras filtrar por relevancia y criterios de inclusión (pacientes con variantes en FKTN y datos clínicos), se retuvieron 92 manuscritos, que cubren 749 pacientes (386 reportes de casos individuales/series y 363 pacientes agrupados).
   • Los datos se extrajeron manualmente en una hoja de cálculo ("catálogo") organizada por paciente en lugar de por manuscrito para evitar la duplicación. Los campos extraídos incluyeron variantes, sexo, etnia, edad de aparición, manifestaciones clínicas en cuatro sistemas orgánicos (músculo, neurológico, cardíaco, oftalmológico) y resultados del tratamiento.

2. Armonización de Genotipos:

   • Las variantes se estandarizaron al formato del Genome Reference Consortium Human Build 38 (GRCh38/HG38).
   • Debido a la existencia de 10 isoformas distintas de transcritos de FKTN en NCBI y la frecuente falta de especificación de la isoforma en la literatura más antigua, las variantes se contrastaron con las diez isoformas utilizando herramientas que incluyen VariantValidator, Varsome, Mutalyzer 3 y NCBI Nuccore.
   • Los conflictos se resolvieron priorizando bases de datos clínicamente validadas (LOVD, ClinVar) o reconstruyendo las ubicaciones originales a partir de las especificidades de los artículos.
   • Los datos se convirtieron a un Formato de Llamada de Variantes (VCF) estándar, con modificaciones específicas para inserciones y deleciones. Se excluyeron las anotaciones de haplotipos que no podían mapearse a variantes específicas.

3. Armonización de Fenotipos (Flujo de Trabajo de PLN):

   • Las descripciones clínicas en lenguaje natural se convirtieron en términos de la Ontología del Fenotipo Humano (HPO) utilizando PhenoTagger.
   • Para abordar la incapacidad de la herramienta para detectar negaciones (por ejemplo, que "no hay debilidad muscular" sea identificado erróneamente como un fenotipo positivo), los autores integraron NegBio y desarrollaron scripts personalizados. Estos scripts utilizaron un diccionario de términos de negación para filtrar falsos positivos.
   • Este enfoque combinado filtró más del 90% de la información positiva no pertinente, reduciendo los 505 términos HPO únicos iniciales a 341 fenotipos relevantes tras la curación manual para eliminar variables de confusión (p. ej., síntomas inducidos por esteroides).

4. Desarrollo de la Escala de Severidad Clínica:

   • Se desarrolló una nueva escala de severidad clínica basada en el hito motor máximo alcanzado en la vida de un paciente, adaptando la clasificación modificada de Ueda.
   • Definiciones de la Escala:
     • 1 (Leve): Deambulación independiente alcanzada.
     • 2 (Moderado): Sedestación o bipedestación independiente alcanzada.
     • 3 (Severo): Nunca alcanzó la sedestación, bipedestación o el control cefálico de forma independiente.
     • C: Demasiado joven para determinar el hito.
     • X: Información insuficiente.
   • También se asignaron indicadores binarios para la presencia/ausencia de patología neurológica, cardíaca y oftalmológica.

Resultados Clave

• Composición del Conjunto de Datos: El conjunto de datos final legible por máquina incluye 749 pacientes de 92 manuscritos. Tras excluir "pacientes en rangos" (PIR) para asegurar la integridad de los datos individuales, el análisis se centró en registros de pacientes específicos.
• Hallazgos Genéticos: Se identificaron 52 combinaciones de genotipos únicas. La más prevalente fue la homocigosis para la variante fundadora ancestral japonesa (inserción de retrotransposón de 3 kb en el 3' UTR). Otras variantes notables incluyeron la variante fundadora Ashkenazi (c.1167dup) y variantes en poblaciones turcas.
• Distribución Fenotípica:
  • Severidad: 60 pacientes fueron clasificados como leves (1), 157 como moderados (2) y 60 como severos (3). 11 eran demasiado jóvenes (C) y otros carecían de datos suficientes (X).
  • Sistemas Orgánicos: Los síntomas relacionados con el músculo afectaron a 337 pacientes, los síntomas neurológicos (SNC) a 173, los oftalmológicos a 57 y los cardíacos a 51.
• Desempeño de PLN: La integración de NegBio y los scripts personalizados logró filtrar más del 90% de la información positiva no pertinente durante la extracción de fenotipos, mejorando significativamente la precisión de los datos en comparación con el uso de solo NegBio (~60% de tasa de filtrado).

Significancia y Reivindicaciones
El artículo presenta un enfoque integral de extracción y armonización de literatura para las DMC relacionadas con FKTN, sirviendo como un piloto para la extracción de datos en otras enfermedades monogénicas raras.

• Modelo Metodológico: Los autores posicionan este trabajo como un "modelo" (blueprint) para la curación de datos en otras enfermedades monogénicas raras. El flujo de trabajo semiautomático (extracción manual + armonización de PLN + filtrado personalizado) está diseñado para ser replicable en otros trastornos con volúmenes de literatura similares (~200 artículos).
• Principios de Datos FAIR: El conjunto de datos transforma la literatura histórica no estructurada en datos FAIR (Encontrables, Accesibles, Interoperables, Reutilizables), permitiendo su integración en registros de enfermedades raras más amplios.
• Utilidad Clínica: La escala de severidad clínica recientemente desarrollada proporciona una métrica estandarizada para categorizar los datos fenotípicos, facilitando los estudios de correlación genotipo/fenotipo.
• Automatización Futura: Los autores señalan modestamente que, si bien la automatización actual es limitada debido a la necesidad de etiquetado manual y una compleja armonización de variantes, este conjunto de datos sirve como control y terreno de entrenamiento para futuros Modelos de Lenguaje de Gran Escala (LLM) para lograr la extracción y curación de literatura totalmente autónoma.

El trabajo cuenta con el apoyo del Programa de Investigación Intramural del NIH y está disponible a través de la base de datos RARe-SOURCE® y sus repositorios asociados de GitHub.