nf-cavalier: A Nextflow Pipeline for Rare Disease Variant Prioritization and Reporting

技術要約：nf-cavalier: 希少疾患のバリアント優先順位付けおよびレポート作成のためのNextflowパイプライン

問題提起
ゲノムシーケンシングデータから候補となる病原性遺伝子バリアントを特定するプロセスは、多様なソフトウェアツールとデータソースの調整を必要とする複雑かつ多段階の工程である。研究者は、既知の疾患関連性（例：PanelApp、HPO）、遺伝子モデル（GENCODE）、病原性予測（例：CADD）、集団頻度（例：gnomAD）、および臨床データベース（例：ClinVar）に対して、数百万ものバリアントコールを解釈しなければならない。この作業は、通常別々のワークフローで処理されるショートバリアント（SNVおよびindel）と構造変異（SV）を、統合的に解釈する必要があることでさらに複雑化する。既存のツールは、このワークフローの特定の側面のみに対処していることが多い。例えば、VEPはアノテーションを行うが、遺伝形式によるフィルタリング機能に欠け、slivarは遺伝形式のクエリを可能にするが、アノテーションや可視化機能に欠け、igv-reportsやSVPVのようなツールは可視化を提供するが、優先順位付けは行わない。その結果、特に、seqrやScoutのような永続的なサーバー・インフラストラクチャ（が必要とされるツール）が利用できない機関内のハイパフォーマンス・コンピューティング（HPC）環境において、これらのタスクをオーケストレーションして再現性と使いやすさを向上させるための、統一されたフレームワークが必要となっている。

手法
nf-cavalierは、ゲノムバリアントのアノテーション、フィルタリング、およびレポート作成を自動化するために設計されたNextflowパイプラインである。本パイプラインは、様々なアップストリームのコーラーとの互換性を確保するためにVCF仕様に基づいて構築されており、ローカルマシン、HPCクラスター、およびクラウド環境間でのポータビリティのためにコンテナ化されている。パイプラインは主に以下の3つのモジュールで構成される：

1. アノテーション: パイプラインは、コホートVCF（ショートバリアントおよび/または構造変異を含む）を受け取り、それらを並列処理のためにシャード分割し、正規化する。標準的なツールとしてbcftools、vcfanno、VEP、およびSVAFotateを利用する。

   • vcfannoは、gnomAD v4.1の集団頻度、ClinVarの病原性分類、CADDスコアなどの事前計算されたメトリクスを迅速に組み込む。
   • VEPは、遺伝子レベルの帰結予測および転写産物依存のアノテーション（例：REVEL、AlphaMissense、SpliceAI）を追加する。
   • SVAFotateは、オーバーラップベースのマッチング手法を用いてgnomAD v4.1のSV頻度を転送する。
   • セットアップパイプラインは、必要なリファレンスデータセットのダウンロードを自動化し、1000 Genomes CEPH trioに基づくデモンストレーションデータセットを提供する。

2. 品質管理 (QC): 専用のQCワークフローがsomalierおよびSCE-VCFを実行し、サンプルの血縁関係、性別の一致、遺伝的祖先、およびコンタミネーションを評価することで、ユーザーが家系関係を検証し、問題のあるサンプルを特定できるようにする。

3. フィルタリングおよびレポート:

   • フィルタリング: ユーザーが設定可能なパラメータに基づき、家系単位で動作する。フィルタには、遺伝子リスト（PanelApp、HPO、ゲノム領域、カスタムリスト）、遺伝子的帰結、および有害性予測が含まれる。パイプラインは、遺伝形式モデル（優性、劣性、複合ヘテロ接合体）およびアレル頻度の閾値（優性の場合はデフォルトで1/10,000、劣性の場合は1/100）を適用する。関心のある遺伝子におけるClinVarの病原性/おそらく病原性のバリアントは保持され、良性のバリアントは除外される。
   • レポート: 候補バリアントは、手動レビューを支援するためにigv-reports、SVPV、またはSamplotを使用して可視化される。結果は、インタラクティブな静的HTMLレポートおよびPowerPointスライドデッキにまとめられる。HTMLレポートには、外部リソース（PanelApp、HPO、ClinVar、gnomAD、UCSC）への埋め込みリンクが含まれ、インタラクティブなクエリが可能である。監査可能性と再現性を確保するため、遺伝子リストや実行時パラメータに関するメタデータが埋め込まれている。

主な貢献

• 統一されたワークフロー: nf-cavalierは、アノテーション、遺伝形式に基づくフィルタリング、可視化、およびレポート作成を単一の再現可能なNextflowパイプラインに統合し、現在のアドホックな手法の断片化に対処している。
• インフラへの依存性の低さ: seqrやScoutのようなサーバー依存型のツールとは異なり、nf-cavalierとその最も近い比較対象であるMOLGENIS-VIPは、ライブサーバーやデータベースのバックエンドを必要とせずに動作する。これにより、KubernetesやDockerの展開が制限されている機関内のHPC環境にも適している。
• 柔軟な優先順位付け: 本パイプラインは、自動化されたACMG分類を強制するのではなく、フィルタリング基準（例：アレル頻度、ジェノタイプ品質、帰結クラス）を独立して設定可能な名前付きパラメータとして公開している。これにより、研究者は自身のフィルタリング戦略を透明に検査、理解、および反復的に洗練させることができる。
• スケーラビリティ: VCFをシャード化して並列処理を行うことで、利用可能な計算リソースに応じて、実行時間を数日から数時間へと短縮する。
• 出力の多様性: パイプラインは、インタラクティブな機能を備えた静的HTMLレポートや可視化を埋め込んだPowerPointスライドデッキなど、ユーザーフレンドリーな出力を生成し、臨床研究チームによる迅速なレビューを促進する。

結果と応用
本パイプラインは、5年間にわたりいくつかの大規模研究で使用されており、現実世界の研究環境における有用性が実証されている：

• Austin Health Adult Undiagnosed Disease Program (AHA-UDP): 参加家族の50家族中16家族（32%）の診断に貢献した。
• Developmental and Epileptic Encephalopathy (DEE) コホート: 242人の参加者のうち37人（15%）の分子的原因の特定に使用され、これには9つの構造変異およびFBRSL1における複雑なSVの検出が含まれる。
• FGF14の発見: 代替的な病原性説明を除外するのを助けることで、FGF14におけるイントロンリピート伸長が遅発性小脳失調症の一般的な原因であることを発見した画期的な研究を支援した。
• RFC1の発見: 前身となるCAVALIER Rパッケージは、CANVAS症候群を引き起こすRFC1リピート伸長の発見を支援した。

意義
本論文は、nf-cavalierを、厳格な生産指向の診断分類ではなく、探索的で調整可能な研究用候補発見のためのツールとして位置づけている。その意義は、サーバーベースのソリューションのようなインフラのオーバーヘッドなしに、手動の労力を軽減し、再現性を向上させることで、希少疾患のバリアント優先順位付けへの参入障壁を下げる能力にある。ショートバリアントと構造変異の両方に対応する透明かつ設定可能なフレームワークを提供することにより、臨床研究チームがゲノムデータの複雑さを効率的にナビゲートし、ダウンストリームの検証に向けた候補バリアントを特定することを可能にしている。本ツールはオープンソース（MITライセンス）であり、GitHubで維持されており、研究コミュニティへのアクセシビリティを保証している。