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

技術要約：FKTN関連先天性筋ジストロフィーにおける遺伝子型-表現型解析のための機械可読データベース

問題提起
FKTN関連の先天性筋ジストロフィー（CMD）は、$\alpha$-ジストログリカン病の中でも極めて不均一かつ超希少なサブセットである。FKTN遺伝子はこれらの疾患の明確な二アレル性の原因であるが、臨床文献は、異なる集団や多様な表現型を記述した約100件の原著論文に断片化されている。現在、これらのデータは主に症例報告やシリーズ内の非構造化テキストとして存在しており、標準化が欠如している。このような包括的な機械可読データベースの不在は、遺伝的な病原性の予測、病理学的メカニズムの理解、およびこれらの希少疾患に対する治療機会の探索を妨げている。既存のゲノムデータベース（ClinVar、LOVDなど）は、特定の遺伝子型に関連付けられた詳細で標準化された表現型情報が不足していることが多い。

方法論
著者らは、文献からデータを抽出、調和、および構造化するために、厳格な多段階パイプラインを採用した：

1. 文献の特定と抽出：

   • PubMed（2022年1月～2024年4月）において、FKTN、fukutin、dystroglycanopathy、および muscular dystrophy に関連する用語を用いた反復検索を行い、288件の原著論文を特定した。
   • 関連性と包含基準（FKTN変異を持つ患者および臨床データ）に基づいてフィルタリングを行った結果、749人の患者（386件の個別の症例報告/シリーズおよび363人のグループ化された患者）をカバーする92件の原著論文が残った。
   • データは、重複を防ぐために論文単位ではなく患者単位で整理されたスプレッドシート（「カタログ」）に手動で抽出された。抽出されたフィールドには、変異、性別、民族、発症年齢、4つの器官系（筋肉、神経、心臓、眼科）にわたる臨床症状、および治療アウトカムが含まれる。

2. 遺伝子型の調和：

   • 変異は、Genome Reference Consortium Human Build 38 (GRCh38/HG38) 形式に標準化された。
   • NCBIにおける10種類の異なるFKTN転写物アイソフォームの存在と、古い文献におけるアイソフォーム指定の頻繁な欠如に対応するため、VariantValidator、Varsome、Mutalyzer 3、およびNCBI Nuccoreを含むツールを使用して、これら10個すべてのアイソフォームに対して変異をクロスリファレンスした。
   • 矛盾は、臨床的に検証されたデータベース（LOVD、ClinVar）を優先するか、論文の特定事項から元の位置を再構築することによって解決された。
   • データは、挿入および欠失に対する特定の修正を加えた標準的なVariant Call Format (VCF) に変換された。特定の変異にマッピングできなかったハプロタイプ表記は除外された。

3. 表現型の調和（NLPパイプライン）：

   • 自然言語による臨床記述は、PhenoTaggerを用いてHuman Phenotype Ontology (HPO) 用語に変換された。
   • 否定（例：「筋力低下なし」が正の表現型として誤認されること）を検出できないツールの能力不足に対処するため、著者らはNegBioを統合し、カスタムスクリプトを開発した。これらのスクリプトは、偽陽性を排除するための否定用語の辞書を利用した。
   • この組み合わせたアプローチにより、初期の505個のユニークなHPO用語のうち、混乱を招く変数（例：ステロイド誘発症状）を除去するための手動キュレーションを経て、341個の関連する表現型へと90%以上の非関連な正の情報がフィルタリングされた。

4. 臨床重症度スケールの開発：

   • 患者の生涯における最大の運動マイルストーンに基づき、修正Ueda分類を適応させた新しい臨床重症度スケールが開発された。
   • スケールの定義：
     • 1 (軽度/Mild): 自立歩行が可能。
     • 2 (中等度/Moderate): 自立した座位または立位が可能。
     • 3 (重度/Severe): 自立した座位、立位、または頭部制御が一度も達成できなかった。
     • C: マイルストーンを判定するには若すぎる。
     • X: 情報不足。
   • 神経、心臓、および眼科の病理の有無についてもバイナリ指標が割り当てられた。

主な結果

• データセットの構成： 最終的な機械可読データセットには、92件の原著論文から得られた749人の患者が含まれる。個々のデータの完全性を確保するために「範囲内の患者 (Patients in Ranges: PIR)」を除外した後、分析は特定の患者レコードに焦点を当てた。
• 遺伝学的知見： 52組のユニークな遺伝子型組み合わせが特定された。最も一般的なものは、日本人の祖先由来の創始者変異（3' UTRにおける3-kbレトロトランスポゾン挿入）のホモ接合であった。その他の注目すべき変異には、アシュケナージ系の創始者変異 (c.1167dup) やトルコ集団の変異が含まれる。
• 表現型の分布：
  • 重症度： 60人が軽度 (1)、157人が中等度 (2)、60人が重度 (3) に分類された。11人が若すぎる (C) であり、その他はデータが不十分 (X) であった。
  • 器官系： 筋肉関連の症状は337人に、神経系 (CNS) 症状は173人に、眼科的症状は57人に、心臓症状は51人に影響を与えた。
• NLPの性能： NegBioとカスタムスクリプトの統合により、表現型抽出における非関連な正の情報が90%以上除去され、NegBio単独で使用した場合（約60%のフィルタリング率）と比較してデータの正確性が大幅に向上した。

意義および主張
本論文は、FKTN関連のCMDに関する包括的な文献抽出および調和のアプローチを提示しており、他の単一遺伝子疾患におけるデータキュレーションの「ブループリント（設計図）」として機能する。

• 方法論的ブループリント： 著者らは、この研究を他の単一遺伝子疾患におけるデータキュレーションのための「ブループリント」として位置づけている。この半自動化パイプライン（手動抽出 ＋ NLPによる調和 ＋ カスタムフィルタリング）は、同様の文献量（約200報）を持つ他の疾患に対して再現可能であるように設計されている。
• FAIRデータ原則： このデータセットは、非構造化された歴史的文献を、より広範な希少疾患レジストリへの統合を可能にする、FAIR（Findable, Accessible, Interoperable, Reusable：発見可能、アクセス可能、相互運用可能、再利用可能）なデータへと変換する。
• 臨床的有用性： 新たに開発された臨床重症度スケールは、表現型データを分類するための標準化された指標を提供し、遺伝子型/表現型相関研究を促進する。
• 将来の自動化： 著者らは、現在の自動化は手動でのタグ付けや複雑な変異の調和の必要性によって制限されているものの、このデータセットは、完全に自律的な文献抽出とキュレーションを実現するための、将来の大規模言語モデル (LLM) のためのコントロールおよびトレーニングの場として機能すると控えめに述べている。

本研究は、NIHの学内研究プログラム（Intramural Research Program）の支援を受けており、RARe-SOURCE® データベースおよび関連するGitHubリポジトリを通じて公開されている。