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

तकनीकी सारांश: FKTN-संबंधित जन्मजात मांसपेशी डिस्ट्रोफी (CMD) के जीनोटाइप-फेनोटाइप विश्लेषणों के लिए मशीन-पठनीय डेटाबेस

समस्या विवरण
FKTN-संबंधित जन्मजात मांसपेशी डिस्ट्रोफी (CMDs), $\alpha$-डिस्ट्रोग्लाइकोपैथी के एक अत्यधिक विषम (heterogeneous), अत्यंत दुर्लभ उपसमुच्चय का प्रतिनिधित्व करती हैं। जबकि FKTN जीन इन विकारों का एक सुपरिभाषित द्विकैलिक (biallelic) कारण है, नैदानिक साहित्य लगभग 100 पांडुलिपियों में बिखरा हुआ है जो विवध आबादी और विविध फेनोटाइप का वर्णन करती हैं। वर्तमान में, यह डेटा मुख्य रूप से केस रिपोर्टों और श्रृंखलाओं के भीतर असंरचित पाठ (unstructured text) के रूप में मौजूद है, जिसमें सामंजस्य (harmonization) का अभाव है। इस व्यापक, मशीन-पठनीय डेटाबेस की अनुपस्थिति विशिष्ट जीनोटाइप से रोगजनकता (pathogenicity) की भविष्यवाणी करने, रोगजनक तंत्र को समझने और इन दुर्लभ स्थितियों के लिए चिकित्सीय अवसरों का पता लगाने में बाधा डालती है। मौजूदा जीनोमिक डेटाबेस (जैसे, ClinVar, LOVD) अक्सर विशिष्ट जीनोटाइप से जुड़े विस्तृत, मानकीकृत फेनोटाइपिक जानकारी की कमी रखते हैं।

कार्यप्रणाली (Methodology)
लेखकों ने साहित्य से डेटा निकालने, सामंजस्य बिठाने और उसे संरचित करने के लिए एक कठोर, बहु-चरणीय पाइपलाइन का उपयोग किया:

1. साहित्य पहचान और निष्कर्षण (Literature Identification and Extraction):

   • FKTN, fukutin, dystroglycanopathy, और muscular dystrophy से संबंधित शब्दों का उपयोग करके जनवरी 2022 – अप्रैल 2024 तक पबमेड (PubMed) की एक पुनरावृत्ति खोज (iterative search) ने 288 पांडुलिपियों की पहचान की।
   • प्रासंगिकता और समावेशन मानदंडों (inclusion criteria) के लिए फ़िल्टर करने के बाद, 92 पांडुलिपियां चुनी गईं, जिनमें 749 रोगी (386 व्यक्तिगत केस रिपोर्ट/श्रृंखलाएं और 363 समूहबद्ध रोगी) शामिल थे।
   • डेटा को मैन्युअल रूप से एक स्प्रेडशीट ("कैटलॉग") में निकाला गया जो डुप्लीकेशन को रोकने के लिए पांडुलिपि के बजाय रोगी द्वारा व्यवस्थित थी। निकाले गए क्षेत्रों में वेरिएंट, लिंग, जातीयता, रोग की शुरुआत की आयु, चार अंग प्रणालियों (मांसपेशी, तंत्रिका संबंधी, हृदय, नेत्र संबंधी) में नैदानिक लक्षण और उपचार के परिणाम शामिल थे।

2. जीनोटाइप सामंजस्य (Genotype Harmonization):

   • वेरिएंट्स को जीनोम रेफरेंस कंसोर्टियम ह्यूमन बिल्ड 38 (GRCh38/HG38) प्रारूप में मानकीकृत किया गया।
   • NCBI में 10 अलग-अलग FKTN ट्रांसक्रिप्ट आइसोफॉर्म के अस्तित्व और पुराने साहित्य में आइसोफॉर्म विशिष्टता की कमी के कारण, वेरिएंट्स को VariantValidator, Varsome, Mutalyzer 3, और NCBI Nuccore सहित सभी दस आइसोफॉर्म के विरुद्ध क्रॉस-रेफरेंस किया गया।
   • संघर्षों (conflicts) को क्लिनिकली वैलिडेटेड डेटाबेस (LOVD, ClinVar) को प्राथमिकता देकर या पेपर विशिष्टताओं से मूल स्थानों का पुनर्निर्माण करके हल किया गया।
   • डेटा को एक मानक वेरिएंट कॉल फॉर्मेट (VCF) में परिवर्तित किया गया, जिसमें इंसर्शन और डिलीशन के लिए विशिष्ट संशोधन किए गए। वे हैप्लोटाइप नोटेशन जिन्हें विशिष्ट वेरिएंट्स से मैप नहीं किया जा सका, उन्हें बाहर कर दिया गया।

3. फेनोटाइप सामंजस्य (Phenotype Harmonization - NLP Pipeline):

   • प्राकृतिक भाषा नैदानिक विवरणों को PhenoTagger का उपयोग करके ह्यूमन फेनोटाइप ऑन्टोलॉजी (HPO) शब्दों में परिवर्तित किया गया।
   • टूल की निषेध (negation) का पता लगाने में असमर्थता को संबोधित करने के लिए (जैसे, "कोई मांसपेशियों की कमजोरी नहीं" को सकारात्मक फेनोटाइप के रूप में गलत पहचाना जाना), लेखकों ने NegBio को एकीकृत किया और कस्टम स्क्रिप्ट विकसित की। इन स्क्रिप्ट्स ने गलत सकारात्मक (false positives) को फ़िल्टर करने के लिए निषेध शब्दों के एक शब्दकोश का उपयोग किया।
   • इस संयुक्त दृष्टिकोण ने 505 अद्वितीय HPO शब्दों में से 90% से अधिक गैर-प्रासंगिक सकारात्मक जानकारी को फ़िल्टर कर दिया, जिससे कन्फाउंडिंग वेरिएबल्स (जैसे, स्टेरॉयड-प्रेरित लक्षण) को हटाने के लिए मैन्युअल क्यूरेशन के बाद 341 प्रासंगिक फेनोटाइप बचे।

4. नैदानिक गंभीरता स्केल का विकास (Clinical Severity Scale Development):

   • एक रोगी के जीवन में प्राप्त अधिकतम मोटर माइलस्टोन (motor milestone) के आधार पर एक नया नैदानिक गंभीरता स्केल विकसित किया गया, जो संशोधित उएडा (Ueda) वर्गीकरण को अनुकूलित करता है।
   • स्केल परिभाषाएं:
     • 1 (हल्का/Mild): स्वतंत्र रूप से चलना (Independent ambulation) प्राप्त किया।
     • 2 (मध्यम/Moderate): स्वतंत्र रूप से बैठना या खड़ा होना प्राप्त किया।
     • 3 (गंभीर/Severe): स्वतंत्र रूप से बैठना, खड़ा होना या सिर नियंत्रण कभी प्राप्त नहीं किया।
     • C: निर्धारित करने के लिए बहुत कम उम्र।
     • X: अपर्याप्त जानकारी।
   • तंत्रिका संबंधी, हृदय संबंधी और नेत्र संबंधी पैथोलॉजी की उपस्थिति/अनुपस्थिति के लिए बाइनरी संकेतक भी सौंपे गए।

मुख्य परिणाम (Key Results)

• डेटासेट संरचना: अंतिम मशीन-पले योग्य डेटासेट में 92 पांडुलिपियों से 749 रोगी शामिल हैं। व्यक्तिगत डेटा अखंडता सुनिश्चित करने के लिए "रेंज में रोगियों" (PIR) को बाहर करने के बाद, विश्लेषण विशिष्ट रोगी रिकॉर्ड पर केंद्रित था।
• आनुवंशिक निष्कर्ष: 52 अद्वितीय जीनोटाइप संयोजनों की पहचान की गई। सबसे प्रचलित जापानी पूर्वज वेरिएंट (3-kb रेट्रोट्रांसपोज़ोन इंसर्शन, 3' UTR में) के लिए होमोजायगोसिटी (homozygosity) थी। अन्य उल्लेखनीय वेरिएंट्स में अश्केनाज़ी (Ashkenazi) पूर्वज वेरिएंट (c.1167dup) और तुर्की आबादी में वेरिएंट शामिल थे।
• फेनोटाइप वितरण:
  • गंभीरता: 60 रोगी हल्के (1), 157 मध्यम (2), और 60 गंभीर (3) के रूप में वर्गीकृत किए गए। 11 बहुत कम उम्र के (C) थे, और अन्य के पास पर्याप्त डेटा नहीं था (X)।
  • अंग प्रणालियाँ: मांसपेशी संबंधी लक्षणों ने 337 रोगियों को प्रभावित किया, तंत्रिका संबंधी (CNS) लक्षणों ने 173 को, नेत्र संबंधी लक्षणों ने 57 को और हृदय संबंधी लक्षणों ने 51 को प्रभावित किया।
• NLP प्रदर्शन: फेनोटाइप निष्कर्षण के दौरान निषेध (negation) को संभालने के लिए NegBio और कस्टम स्क्रिप्ट के एकीकरण ने 90% से अधिक गैर-प्रासंगिक सकारात्मक जानकारी को सफलतापूर्वक फ़िल्टर किया, जो केवल NegBio का उपयोग करने (~60% फ़िल्टर दर) की तुलना में डेटा सटीकता में काफी सुधार करता है।

महत्व और दावे (Significance and Claims)
यह शोध पत्र FKTN-संबंधित CMDs के लिए एक व्यापक साहित्य निष्कर्षण और सामंजस्य दृष्टिकोण प्रस्तुत करता है, जो अन्य दुर्लभ मोनोजेनिक रोगों के लिए इसी तरह के डेटा निष्कर्षण हेतु एक 'ब्लूप्रिंट' के रूप में कार्य करता है।

• मेथोडोलॉजिकल ब्लूप्रिंट: लेखक इस कार्य को अन्य दुर्लभ मोनोजेनिक रोगों के लिए डेटा क्यूरेशन के लिए एक "ब्लूप्रिंट" के रूप में प्रस्तुत करते हैं। अर्ध-स्वचालित पाइपलाइन (मैन्युअल निष्कर्षण + NLP सामंजस्य + कस्टम फ़िल्टरिंग) को अन्य विकारों (लगभग 200 पेपर) के लिए समान डेटा क्यूरेशन के लिए प्रतिलिपि योग्य (replicable) बनाया गया है।
• FAIR डेटा सिद्धांत: यह डेटासेट असंरचित ऐतिहासिक साहित्य को FAIR (Findable, Accessible, Interoperable, Reusable) डेटा में बदल देता है, जिससे इसे व्यापक दुर्लभ रोग रजिस्ट्री में एकीकृत किया जा सकता है।
• नैदानिक उपयोगिता: नया विकसित नैदानिक गंभीरता स्केल फेनोटाइपिक डेटा को वर्गीकृत करने के लिए एक मानकीकृत मीट्रिक प्रदान करता है, जिससे जीनोटाइप/फेनोटाइप सहसंबंध अध्ययनों को सुविधा मिलती है।
• भविष्य का स्वचालन: लेखक विनम्रतापूर्वक नोट करते हैं कि हालांकि वर्तमान स्वचालन मैन्युअल टैगिंग और जटिल वेरिएंट सामंजस्य की आवश्यकता के कारण सीमित है, यह डेटासेट भविष्य के लार्ज लैंग्वेज मॉडल्स (LLMs) के लिए एक नियंत्रण और प्रशिक्षण आधार के रूप में कार्य करता है ताकि पूर्णतः स्वायत्त साहित्य निष्कर्षण और क्यूरेशन प्राप्त किया जा सके।

यह कार्य NIH के इंट्रा-म्यूरल रिसर्च प्रोग्राम द्वारा समर्थित है और RARe-SOURCE® डेटाबेस और संबंधित GitHub रिपॉजिटरी के माध्यम से उपलब्ध कराया गया है।