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

Sintesi Tecnica: 'Truthsets' per la validazione clinica di saggi funzionali su larga scala: Raccomandazioni di pratica dal Cancer Variant Interpretation Group UK (CanVIG-UK)

Problematica
La classificazione delle Varianti di Significato Incerto (VUS), in particolare delle rare varianti missense, rimane una sfida critica nella genomica clinica. Sebbene i saggi multiplex di grandi dimensioni sull'effetto delle varianti (MAVE) offrano un potenziale trasformativo per risolvere queste varianti, esiste un significativo divario di implementazione tra la pubblicazione dei dati funzionali e il loro adozione di routine nei servizi di diagnostica clinica. Questo divario è guidato dalla mancanza di consenso su come costruire i "truthsets" — set di riferimento di varianti clinicamente classificate come patogene e benigne utilizzate per validare le prestazioni del saggio.

Le pratiche attuali variano ampiamente, con molti sperimentatori che utilizzano tipi di varianti misti (ad esempio, combinando varianti che interrompono la proteina [PTV], varianti sinonime e varianti missense) per la validazione. Questa eterogeneità crea ambiguità e riduce la fiducia tra i ricercatori della diagnostica clinica. Inoltre, l'attuale quadro di validazione clinica a livello di saggio di ClinGen (Brnich et al., 2020) fornisce una guida di base ma manca di mandati specifici riguardanti la composizione dei truthset, portando a una potenziale sovrastima delle prestazioni del saggio e a un'allocazione inconsistente dei punti di evidenza (EP).

Metodologia
CanVIG-UK (Cancer Variant Interpretation Group UK) ha sviluppato raccomandazioni di consenso attraverso un processo di consultazione nazionale iterativo che ha coinvolto il CanVIG Steering Advisory Group (CStAG), l'ampio membership e esperti internazionali di genomica funzionale. La metodologia comprendeva tre componenti primarie:

1. Indagine sulle Pratiche Correnti: Un'analisi delle pagine CSpec per 112 geni appartenenti a 39 Variant Curation Expert Panels (VCEPs) ha rivelato un'applicazione inconsistente dei dati funzionali e una vasta variazione nella provenienza dei truthset.
2. Analisi dei Truthset: Gli autori hanno eseguito 2.120 validazioni cliniche distinte su quattro geni e relativi saggi. Queste analisi hanno variato sistematicamente i parametri di composizione dei truthset, inclusi:
   • Tipo di variante (solo missense vs. PTV/sinonime vs. tutte le varianti).
   • Rigore della classificazione ClinVar (ad esempio, patogene vs. probabilmente patogene, numero di submitter, ammissione di "soft-conflicts").
   • Augment con varianti benigne "proxy-cliniche" (derivate sistematicamente utilizzando le regole ACMG/AMP su dati di popolazione e in silico).
   • Rigore dell'associazione fenotipica e zone di punteggio deleterio.
3. Costruzione del Consenso: I risultati preliminari sono stati presentati a CStAG, CanVIG-UK e al ClinGen Functional Working Group. Attraverso molteplici iterazioni e revisioni, sono stati stabiliti nove principi guida e sette raccomandazioni di best-practice, specificamente adattate per i geni di suscettibilità al cancro dove la perdita di funzione è il meccanismo di patogenicità.

Contributi Chiave e Risultati
Lo studio stabilisce un quadro standardizzato per la costruzione dei truthset per garantire una validazione clinica indipendente e coerente.

• Nove Principi Guida:

  • Principio A: La validazione deve riflettere sia la predittività (concordanza) che la fiducia (potenza/numero di varianti).
  • Principio B: Esiste un'asimmetria meccanicistica: dimostrare la patogenicità richiede la dimostrazione di un meccanismo abrogato, mentre dimostrare la benignità richiede la conferma che tutti i meccanismi siano neutrali.
  • Principio C: Il passaggio da VUS a patogena aumenta l'utilità clinica ma anche il rischio di errore rispetto al passaggio a benigna.
  • Principio D: Le varianti missense sono il target critico. I dati funzionali influenzano maggiormente la classificazione missense. Utilizzare PTV o varianti sinonime come truthset primari può sovrastimare le prestazioni perché non riproducono le sfide specifiche delle varianti missense (ad esempio, perturbazioni funzionali modeste).
  • Principio E: Le soglie definite dagli sperimentatori (spesso calibrate su PTV/varianti sinonime) potrebbero non allinearsi con le distribuzioni missense, portando potenzialmente a una classificazione errata vicino alle soglie.
  • Principio F & G: Esiste una scarsità di varianti missense clinicamente classificate come benigne e patogene, limitando la potenza statistica.
  • Principio H: La contaminazione del truthset attenua i punti di evidenza (EP) ma non li gonfia.
  • Principio I: La circolarità deve essere evitata laddove le classificazioni cliniche dipendono dagli stessi dati funzionali utilizzati per la validazione.

• Sette Raccomandazioni di Best-Practice:

  1. Truthset Solo Missense: Per i saggi destinati a interpretare varianti missense, i truthset devono comprendere solo varianti missense. Mescolare PTV o varianti sinonime non è raccomandato poiché diluisce il segnale e rischia di sovrastimare le prestazioni.
  2. Validazione Indipendente: La validazione clinica dovrebbe essere eseguita indipendentemente dalla calibrazione iniziale dello sperimentatore, utilizzando varianti di truthset distinte ove possibile.
  3. Rigore Rilassato: Per migliorare la potenza (e quindi gli EP), il rigore riguardo alla classificazione ClinVar (ad esempio, permettere classificazioni "probabili" o soft-conflicts) può essere rilassato, purché il truthset sia definito a priori.
  4. Varianti Benigne Proxy-Cliniche: I truthset missense benigne possono essere aumentati con varianti "proxy-cliniche" — varianti non riportate clinicamente ma sistematicamente classificate come benigne utilizzando dati di popolazione (es. gnomAD) e predizioni in silico.
  5. Evidenza per la Benignità: Se esistono sufficienti varianti missense patogene concordanti, si può allocare l'evidenza per la benignità (BS3). Se ne esistono meno di tre, si può allocare un singolo EP se le varianti deleterie definite dal saggio mostrano un'associazione statisticamente significativa con il fenotipo della malattia en masse.
  6. Analisi della Distribuzione dei Punteggi: La distribuzione dei punteggi del saggio per i truthset missense deve essere confrontata con le distribuzioni PTV/sinonime per garantire che le soglie siano appropriate.
  7. Mitigazione della Circolarità: È raccomandato filtrare o censurare i dati ClinVar (ad esempio, escludendo le classificazioni effettuate dopo la pubblicazione del saggio o quelle che si basano sui dati del saggio stesso) per prevenire la circolarità.

• Correzione Matematica: Viene proposta una specifica correzione matematica (correzione di Haldane) per scenari in cui esistono zero varianti missense patogene concordanti ma sono disponibili sufficienti varianti benigne, consentendo il calcolo dei punti di evidenza di patogenicità.

Significatività e Rivendicazioni
L'articolo sostiene che questi principi e raccomandazioni forniscono una base necessaria per l'implementazione clinica di saggi funzionali su larga scala. Imponendo truthset composti solo da missense e offrendo strategie per superare la scarsità di dati (tramite varianti proxy-cliniche e rigore rilassato), il framework mira a:

1. Colmare il divario di implementazione tra la pubblicazione dei dati funzionali e il loro uso clinico.
2. Consentire una validazione indipendente e coerente che impedisca la sovrastima delle prestazioni del saggio.
3. Facilitare la classificazione delle VUS basata solo su dati funzionali, il che sta diventando fattibile sotto le imminenti linee guida ACMG/AMP v4.0 (dove i dati funzionali possono fornire fino a +8/-8 punti).

Gli autori sottolineano che, sebbene queste raccomandazioni siano sviluppate per i geni di suscettibilità al cancro che agiscono tramite perdita di funzione, esse costituiscono una discussione fondamentale per altri contesti funzionali e di malattia. Il lavoro riconosce i limiti, come la mancanza di metodi "proxy-clinici" per le varianti patogene e le sfide della validazione della penetranza ridotta e delle varianti non codificanti, identificandoli come priorità per il lavoro futuro.