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

Sintesi Tecnica: Database leggibile dalle macchine per analisi genotipo-fenotipo nelle distrofie muscolari congenite correlate a FKTN

Problema
Le distrofie muscolari congenite (CMD) correlate a FKTN rappresentano un sottogruppo altamente eterogeneo e ultra-raro delle $\alpha$-distroglicanopatie. Sebbene il gene FKTN sia una causa biallelica ben definita di questi disturbi, la letteratura clinica è frammentata in quasi 100 manoscritti che descrivono popolazioni disparate e fenotipi variabili. Attualmente, questi dati esistono principalmente come testo non strutturato all'interno di case report e serie, privi di armonizzazione. Questa assenza di un database completo e leggibile dalle macchine ostacola la capacità di prevedere la patogenicità genetica, comprendere i meccanismi patogenetici ed esplorare le opportunità terapeutiche per queste rare condizioni. I database genomici esistenti (ad es., ClinVar, LOVD) spesso mancano di informazioni fenotipiche dettagliate e standardizzate collegate a specifici genotipi.

Metodologia
Gli autori hanno impiegato una pipeline rigorosa e multistadio per estrarre, armonizzare e strutturare i dati dalla letteratura:

1. Identificazione ed estrazione della letteratura:

   • Una ricerca iterativa su PubMed (gennaio 2022 – aprile 2024) utilizzando termini relativi a FKTN, fukutin, dystroglycanopathy e muscular dystrophy ha identificato 288 manoscritti.
   • Dopo aver filtrato per rilevanza e criteri di inclusione (pazienti con varianti FKTN e dati clinici), sono stati trattenuti 92 manoscritti, che coprono 749 pazienti (386 singoli case report/serie e 363 pazienti raggruppati).
   • I dati sono stati estratti manualmente in un foglio di calcolo ("catalogo") organizzato per paziente piuttosto che per manoscritto per evitare duplicazioni. I campi estratti includevano varianti, sesso, etnia, età di esordio, manifestazioni cliniche attraverso quattro sistemi organici (muscolare, neurologico, cardiaco, oftalmologico) e risultati del trattamento.

2. Armonizzazione del genotipo:

   • Le varianti sono state standardizzate al formato Genome Reference Consortium Human Build 38 (GRCh38/HG38).
   • A causa dell'esistenza di 10 diverse isoforme di trascritto di FKTN in NCBI e della frequente mancanza di specificazione dell'isoforma nella letteratura più datata, le varianti sono state incrociate con tutte le dieci isoforme utilizzando strumenti tra cui VariantValidator, Varsome, Mutalyzer 3 e NCBI Nuccore.
   • I conflitti sono stati risolti dando priorità ai database clinicamente validati (LOVD, ClinVar) o ricostruendo le posizioni originali dai dettagli dei paper.
   • I dati sono stati convertiti in un formato standard di chiamata delle varianti (VCF), con modifiche specifiche per inserzioni e delezioni. Le notazioni di aplotipo che non potevano essere mappate su varianti specifiche sono state escluse.

3. Armonizzazione del fenotipo (Pipeline NLP):

   • Le descrizioni cliniche in linguaggio naturale sono state convertite in termini della Human Phenotype Ontology (HPO) utilizzando PhenoTagger.
   • Per affrontare l'incapacità dello strumento di rilevare le negazioni (ad es., "nessuna debolezza muscolare" erroneamente identificata come un fenotipo positivo), gli autori hanno integrato NegBio e sviluppato script personalizzati. Questi script hanno utilizzato un dizionario di termini di negazione per filtrare i falsi positivi.
   • Questo approccio combinato ha filtrato oltre il 90% delle informazioni positive non pertinenti, riducendo i 505 termini HPO unici iniziali a 341 fenotipi rilevanti dopo la cura manuale per rimuovere variabili confondenti (ad es., sintomi indotti da steroidi).

4. Sviluppo della scala di gravità clinica:

   • È stata sviluppata una nuova scala di gravità clinica basata sul massimo traguardo motorio raggiunto nella vita di un paziente, adattando la classificazione di Ueda modificata.
   • Definizioni della scala:
     • 1 (Lieve): Ambulazione indipendente raggiunta.
     • 2 (Moderata): Seduta o stazione eretta indipendente raggiunte.
     • 3 (Grave): Mai raggiunta la seduta, la stazione eretta o il controllo della testa indipendenti.
     • C: Troppo giovane per determinare il traguardo.
     • X: Informazioni insufficienti.
   • Sono stati assegnati anche indicatori binari per la presenza/assenza di patologia neurologica, cardiaca e oftalmologica.

Risultati Chiave

• Composizione del dataset: Il dataset finale leggibile dalle macchine include 749 pazienti da 92 manoscritti. Dopo l'esclusione dei "pazienti in range" (PIR) per garantire l'integrità dei dati individuali, l'analisi si è concentrata su record di pazienti specifici.
• Reperti genetici: Sono state identificate 52 combinazioni uniche di genotipo. La più prevalente era l'omozigosi per la variante fondatrice ancestrale giapponese (inserzione di un retrotrasposone di 3 kb nel 3' UTR). Altre varianti degne di nota includevano la variante fondatrice Ashkenazi (c.1167dup) e varianti nelle popolazioni turche.
• Distribuzione fenotipica:
  • Gravità: 60 pazienti sono stati classificati come lievi (1), 157 come moderati (2) e 60 come gravi (3). 11 erano troppo giovani (C) e altri mancavano di dati sufficienti (X).
  • Sistemi organici: I sintomi correlati ai muscoli hanno interessato 337 pazienti, i sintomi neurologici (SNC) 173 pazienti, i sintomi oftalmologici 57 e i sintomi cardiaci 51.
• Performance NLP: L'integrazione di NegBio e degli script personalizzati ha filtrato con successo oltre il 90% delle informazioni positive non pertinenti durante l'estrazione del fenotipo, migliorando significativamente l'accuratezza dei dati rispetto all'uso del solo NegBio (~60% di tasso di filtraggio).

Significato e Rivendicazioni
Il documento presenta un approccio completo di estrazione e armonizzazione della letteratura per le CMD correlate a FKTN, fungendo da pilota per l'estrazione di dati in altre malattie monogeniche rare.

• Blueprint Metodologico: Gli autori pongono questo lavoro come un "blueprint" (modello) per la cura dei dati in altre malattie monogeniche rare. La pipeline semi-automatizzata (estrazione manuale + armonizzazione NLP + filtraggio personalizzato) è progettata per essere replicabile per altri disturbi con volumi di letteratura simili (~200 articoli).
• Principi dei dati FAIR: Il dataset trasforma la letteratura storica non strutturata in dati FAIR (Trovabili, Accessibili, Interoperabili, Riutilizzabili), permettendo l'integrazione in registri più ampi per le malattie rare.
• Utilità Clinica: La nuova scala di gravità clinica fornisce una metrica standardizzata per categorizzare i dati fenotipici, facilitando gli studi di correlazione genotipo/fenotipo.
• Automazione Futura: Gli autori notano con modestia che, sebbene l'automazione attuale sia limitata dalla necessità di tagging manuale e da una complessa armonizzazione delle varianti, questo dataset serve come controllo e terreno di addestramento per futuri Modelli di Linguaggio di Grandi Dimensioni (LLM) per raggiungere un'estrazione e una cura della letteratura completamente autonome.

Il lavoro è supportato dall'Intramural Research Program dell'NIH ed è reso disponibile tramite il database RARe-SOURCE® e i relativi repository GitHub.