BICEP: an extension to indels and copy number variants for rare variant prioritisation in pedigree analysis

Cet article présente l'extension du modèle d'inférence bayésienne BICEP pour inclure les indels et les variants du nombre de copies dans l'analyse de pedigree, démontrant une précision comparable à celle du modèle original conçu pour les variants nucléotidiques simples.

L'essentiel

🕵️‍♂️ BICEP : Le détective génétique qui apprend à lire les "fautes de frappe" et les "pages manquantes"

Imaginez que votre ADN est une énorme bibliothèque contenant le mode d'emploi de votre corps. Parfois, il y a des erreurs dans ce livre. La plupart du temps, ce sont de petites fautes de frappe (une lettre changée), mais parfois, ce sont des mots entiers qui sautent, ou des pages complètes qui sont soit effacées, soit dupliquées.

Jusqu'à présent, un outil informatique appelé BICEP était très doué pour repérer les simples "fautes de frappe" (les mutations ponctuelles) et dire : "Hé, celle-ci est probablement dangereuse !". Mais il était un peu perdu face aux erreurs plus complexes : les mots manquants (indels) ou les pages en trop/en moins (les variations du nombre de copies, ou CNV).

L'objectif de cet article ? Donner à BICEP de nouvelles lunettes pour qu'il puisse aussi analyser ces erreurs plus complexes et les classer par ordre de dangerosité.

1. Le problème : Un détective avec une seule paire de lunettes

Avant, BICEP utilisait un système de "cotes de confiance" (une sorte de score de probabilité) pour trier les erreurs génétiques. Il savait très bien juger les petites erreurs, mais il ignorait les autres types de mutations. Or, dans les maladies complexes, ces "pages manquantes" ou "en trop" jouent souvent un rôle crucial. Les ignorer, c'est comme essayer de résoudre un crime en ne regardant que les empreintes digitales, sans jamais vérifier si la porte a été forcée.

2. La solution : Entraîner le détective avec de nouveaux exemples

Les chercheurs ont mis à jour le cerveau de BICEP en lui montrant des milliers d'exemples de ces nouvelles erreurs, provenant de bases de données médicales mondiales (comme ClinVar).

• Pour les mots manquants (Indels) : Ils ont appris au modèle à regarder deux choses principales : la fréquence de l'erreur dans la population (si tout le monde l'a, c'est probablement inoffensif) et son impact sur le texte (est-ce que ça casse la phrase ?).
• Pour les pages en trop/en moins (CNVs) : C'est plus compliqué. Ils ont testé quatre méthodes différentes pour juger ces erreurs. Ils ont utilisé des outils qui mesurent à quel point un gène est "fragile" et d'autres qui évaluent la gravité de la mutation.

L'analogie du test :
Imaginez que vous donnez à BICEP un sac de 100 erreurs génétiques. Il doit dire : "Celle-ci est dangereuse" ou "Celle-ci est inoffensive".

• Le résultat pour les mots manquants (Indels) : BICEP est devenu un expert quasi infaillible. S'il dit qu'une erreur est dangereuse, il a 99,8 % de chances d'avoir raison. C'est comme un détective qui ne se trompe jamais quand il pointe un suspect.
• Le résultat pour les pages manquantes/en plus (CNVs) : C'est un peu moins parfait (environ 92 % de justesse pour les suppressions et 84 % pour les duplications), mais c'est déjà une énorme amélioration par rapport à l'absence totale de jugement auparavant.

3. La conclusion : Un outil plus complet pour la médecine

Les chercheurs recommandent maintenant d'utiliser les meilleurs outils d'analyse (ceux qui combinent plusieurs indices) par défaut dans le logiciel.

Pourquoi est-ce important ?
C'est comme si un médecin, qui ne pouvait auparavant examiner que les blessures superficielles, apprenait soudainement à diagnostiquer aussi les fractures internes. Bien que le diagnostic soit parfois un peu plus difficile pour les fractures (les CNVs) que pour les égratignures (les SNVs), le fait de pouvoir les voir change tout.

En résumé :
BICEP n'est plus seulement un expert des petites erreurs. Il est maintenant un détective polyvalent capable de trier les fautes de frappe, les mots manquants et les pages en trop dans le livre de la vie. Cela permettra aux chercheurs et aux médecins de trouver plus rapidement les causes génétiques de maladies rares, en se concentrant sur les erreurs les plus probables.

Résumé technique

1. Problématique

L'analyse de co-ségrégation dans les pedigrees est une méthode traditionnelle pour identifier les variants génétiques causaux de traits complexes. Cependant, les approches existantes présentent une limitation majeure : elles ne prennent généralement pas en compte les preuves a priori de causalité (comme l'effet fonctionnel prédit, les scores de délétérion ou la conservation de la séquence) lors de l'évaluation de la co-ségrégation.

Bien que l'outil BICEP (Bayesian Inference for Causal Evaluation of Pedigrees) ait été développé pour combiner ces deux types d'informations, ses modèles de prior initiaux étaient limités aux variants nucléotidiques simples (SNV). Or, d'autres types de variants, tels que les indels (insertions/délétions) et les variants du nombre de copies (CNV), jouent un rôle significatif dans l'étiologie de nombreuses maladies, mais sont souvent ignorés ou mal interprétés en raison des défis liés à leur détection. L'absence de modèles de prior adaptés à ces types de variants dans BICEP constituait un goulot d'étranglement pour une analyse génomique complète.

2. Méthodologie

Les auteurs ont étendu le cadre d'inférence bayésienne de BICEP pour inclure les indels et les CNV (délétions et duplications). La méthodologie repose sur la génération de nouveaux modèles de prior via des régressions logistiques, en utilisant des données de référence mises à jour.

• Données d'entraînement :

  • SNV : Mise à jour des données ClinVar (téléchargées le 08/12/2025) pour les builds GRCh37 et GRCh38.
  • Indels : Utilisation des données ClinVar avec une relaxation des critères de soumission (acceptation des variants soutenus par un seul ou plusieurs soumissionnaires) pour augmenter la taille de l'échantillon.
  • CNV : Extraction des variants structuraux cliniques de la base dbVar (étude nstd102). Seuls les variants de 50 pb à 30 Mb, classés comme « Pathogènes » ou « Bénins » (et leurs équivalents probables), et chevauchant les transcrits MANE v1.4, ont été retenus. Les variants pathogènes avec une fréquence allélique > 1% ont été exclus.

• Prédicteurs et Modèles :

  • Pour les Indels : Le modèle utilise la fréquence allélique (gnomAD v4.1/v2.1.1) et la conséquence fonctionnelle (annotation IMPACT : HIGH, MEDIUM, LOW, MODIFIER). Les scores de délétérion supplémentaires ont été exclus pour éviter un biais de circularité (car de nombreux scores sont entraînés sur ClinVar).
  • Pour les CNV : Quatre modèles distincts ont été évalués pour les délétions et les duplications :
    1. Aucun prédicteur (modèle « NULL »).
    2. Score de délétérion CADD-SV.
    3. Mesure de contrainte pLoEUF (probabilité de perte de fonction) agrégée à partir de gnomAD.
    4. Combinaison de CADD-SV et pLoEUF.
  • Les scores CADD-SV ont été générés sur GRCh38, puis convertis en GRCh37 via liftOver pour assurer la compatibilité.

• Évaluation :

  • Les données ont été divisées en ensembles d'entraînement (80 %) et de test (20 %).
  • Les métriques de classification binaire (Sensibilité, Spécificité, PPV, NPV, MCC) ont été calculées.
  • Le PPV (Valeur Prédictive Positive) a été identifié comme la métrique principale, car l'objectif de BICEP est d'identifier les variants pathogènes (logPriorOC > 0).

3. Résultats Clés

Les performances des nouveaux modèles sur les données GRCh38 ont été comparées aux modèles SNV existants.

• Indels :

  • Le modèle a atteint un PPV exceptionnel de 99,8 %, indiquant que presque tous les variants classés comme pathogènes par le modèle le sont effectivement.
  • Le NPV (Valeur Prédictive Négative) est plus modeste (62,3 %) comparé aux SNV (>96 %), suggérant que certains variants pathogènes réels reçoivent un score négatif. Cela est attribué à la taille plus petite des données d'entraînement et au déséquilibre entre variants pathogènes et bénins.

• CNV (Délétions et Duplications) :

  • Délétions : Le modèle combinant CADD-SV et pLoEUF a obtenu le PPV le plus élevé (92,0 %). Bien que les différences entre les modèles soient faibles, cette combinaison est recommandée.
  • Duplications : Le modèle combiné a nettement surpassé les autres avec un PPV de 84,6 %.
  • Pour les deux types de CNV, les intervalles de confiance des métriques se chevauchent largement, mais la combinaison des prédicteurs est jugée optimale.

• Comparaison Globale :

  • Les performances des nouveaux modèles sont comparables à celles des modèles SNV, bien que légèrement inférieures pour les CNV, ce qui est attendu compte tenu du manque de prédicteurs de délétérion matures pour les CNV par rapport aux SNV.
  • Aucune sur-ajustement (overfitting) n'a été détecté, les intervalles de confiance entre les ensembles d'entraînement et de test se chevauchant bien.

4. Contributions Principales

1. Extension du modèle BICEP : Intégration native de modèles de prior pour les indels, les délétions et les duplications, permettant une analyse unifiée de tous les types de variants rares dans les pedigrees.
2. Développement de prédicteurs spécifiques : Création et validation de modèles logistiques utilisant des données ClinVar/dbVar mises à jour et des prédicteurs fonctionnels adaptés (IMPACT pour les indels, CADD-SV et pLoEUF pour les CNV).
3. Recommandations d'implémentation : Identification des meilleures combinaisons de prédicteurs pour les CNV (CADD-SV + pLoEUF) et leur intégration par défaut dans le logiciel BICEP.
4. Disponibilité : Mise à disposition immédiate des nouveaux modèles via le dépôt GitHub de BICEP, compatible avec les formats d'entrée existants.

5. Signification et Impact

Cette extension est cruciale pour la génétique des maladies complexes, car elle permet d'inclure des variants structurels et des indels, souvent négligés, dans les analyses de priorisation causale. Bien que les performances des modèles pour les CNV et les indels ne soient pas encore aussi élevées que pour les SNV (en raison de données d'entraînement moins abondantes et de prédicteurs moins matures), le PPV élevé garantit que les variants sélectionnés par l'outil ont une forte probabilité d'être pathogènes.

L'article souligne que ces modèles sont évolutifs : à mesure que les technologies de séquençage génèrent plus de données de haute qualité et que de meilleurs prédicteurs de délétérion sont développés, les modèles de prior pourront être réentraînés pour améliorer encore leur sensibilité (NPV). Cela positionne BICEP comme un outil indispensable pour les études de génétique familiale modernes visant à élucider l'étiologie de traits complexes.