BICEP: an extension to indels and copy number variants for rare variant prioritisation in pedigree analysis

Dit artikel introduceert een uitbreiding van het BICEP-model die, naast enkel nucleotide varianten, ook indels en copy number varianten omvat voor het prioriteren van zeldzame varianten in stamboomanalyses, met vergelijkbare nauwkeurigheid en aanbevolen invoerpredictoren voor copy number varianten.

De kern

BICEP: De Slimme Zoektocht naar De Schuldigen in Je DNA

Stel je voor dat je DNA een enorme bibliotheek is, vol met instructieboeken voor hoe je lichaam werkt. Soms zit er een foutje in een van die boeken. Meestal is het een klein spelfoutje (een lettertje dat verkeerd staat), maar soms is het een hele zin die is weggehaald, of een pagina die dubbel is geplakt. Deze foutjes kunnen ziektes veroorzaken.

De vraag is: Welke van die duizenden foutjes is de échte boosdoener?

Het Oude Gereedschap: Alleen voor Spelfoutjes

Vroeger had de software BICEP (een slimme computerprogramma) een speciale lens om naar deze foutjes te kijken. Maar die lens werkte alleen goed voor de kleine spelfoutjes (de Single Nucleotide Variants of SNV's). Als er een hele zin ontbrak (indels) of een pagina dubbel stond (copy number variants of CNV's), kon BICEP die niet goed beoordelen. Die werden vaak genegeerd, omdat het lastig was om te zeggen of ze echt schadelijk waren.

De Nieuwe Uitbreiding: Een Breder Kijkvenster

In dit nieuwe onderzoek hebben de wetenschappers (Cathal Ormond en zijn team) de lens van BICEP verbeterd. Ze hebben het programma nu ook getraind om die grotere foutjes te begrijpen.

Ze noemen dit een Bayesiaanse inferentie. Klinkt ingewikkeld? Denk er zo over:
Stel je voor dat je een detective bent die een misdaad onderzoekt. Je hebt een lijst met verdachten (alle foutjes in het DNA).

1. De oude methode: Je keek alleen naar de verdachten die op de lijst stonden als "bekend misdadiger" (de kleine spelfoutjes).
2. De nieuwe BICEP-methode: De software kijkt nu ook naar degenen die een hele zin hebben weggehaald of een pagina hebben verdubbeld. Ze gebruiken een slimme formule om te berekenen: "Hoe groot is de kans dat dit specifieke foutje de ziekte veroorzaakt, gebaseerd op hoe vaak het voorkomt en hoe erg het de instructies verpest?"

Hoe hebben ze dit gedaan? (De Training)

Om de software slim te maken, hebben ze een enorme database gebruikt met bekende gevallen:

• Voor de kleine foutjes: Ze hebben gekeken naar duizenden gevallen waar al bekend was of het foutje schadelijk was of niet.
• Voor de grote foutjes (de nieuwe uitbreiding): Ze hebben een soort "school" opgezet voor de software. Ze gaven de computer duizenden voorbeelden van:
  • Indels: Woorden die ontbreken of extra letters.
  • CNVs: Grote stukken DNA die ontbreken (deleties) of dubbel staan (duplicaties).

De software leerde hieruit patronen. Bijvoorbeeld: "Als een groot stuk DNA ontbreekt in een gebied waar het lichaam heel gevoelig voor is, is de kans groot dat dit de ziekte veroorzaakt."

De Proef: Werkt het?

De onderzoekers hebben de nieuwe software getest met een "proefexamen". Ze gaven de computer een lijst met foutjes waarvan ze zelf al wist of ze schadelijk waren, en vroegen BICEP om de schuldigen te vinden.

Het resultaat?

• Voor de kleine foutjes: De software werkt nog steeds perfect.
• Voor de nieuwe grote foutjes: De software doet het bijna even goed! Ze kunnen nu met grote zekerheid zeggen welke grote foutjes waarschijnlijk de ziekte veroorzaken.

Ze hebben zelfs gekeken naar verschillende manieren om de "gevaarlijkheid" te meten (zoals een 'gevaarsscore' voor het DNA). Voor het vinden van de schuldige bij grote foutjes bleek de combinatie van twee verschillende scores het beste te werken.

Waarom is dit belangrijk?

Vroeger zagen artsen en onderzoekers soms een groot stuk DNA dat verdacht leek, maar omdat ze geen goed gereedschap hadden om het te beoordelen, lieten ze het links liggen. Misschien was het wel de oorzaak van de ziekte, maar ze durfden het niet te zeggen.

Met deze nieuwe versie van BICEP kunnen ze nu:

1. Meer verdachten checken: Ze kijken niet meer alleen naar de kleine spelfoutjes, maar ook naar de grotere "paginafouten".
2. Sneller de diagnose stellen: Voor families met een zeldzame ziekte (waarbij vaak een pedigree of stamboom wordt gebruikt) kunnen ze nu sneller het ene schuldige foutje vinden tussen de duizenden onschuldige foutjes.

Conclusie

Kortom: BICEP is opgeknapt. Het was al een slimme detective voor kleine foutjes, maar nu heeft het een nieuwe bril opgezet om ook de grotere, complexere fouten in ons DNA te zien. Dit helpt artsen om sneller en nauwkeuriger te vinden wat er mis is in het DNA van patiënten, wat een grote stap voorwaarts is voor de geneeskunde.

Technische samenvatting

Probleemstelling

Traditionele co-segregatie-analyses in stambomen (pedigrees) worden gebruikt om genetische oorzaken van ziekten te identificeren. Bestaande methoden en software tools hebben echter een belangrijke beperking: ze nemen geen rekening met a priori bewijs voor de causaliteit van een variant, zoals voorspelde functionele effecten, schadelijkheidsscores of evolutionaire conservering. Varianten worden doorgaans gesorteerd door deze filters onafhankelijk van de co-segregatie toe te passen.

Hoewel het BICEP-model (Bayesian Inference for Co-segregation and Prioritisation) eerder is ontwikkeld om co-segregatie-informatie te combineren met a priori bewijs voor Single Nucleotide Variants (SNV's), was dit model niet toepasbaar op andere varianttypes. Indels (inserties/deleties) en Copy Number Variants (CNV's) spelen echter een cruciale rol in de etiologie van complexe aandoeningen, maar worden vaak genegeerd of slecht geïnterpreteerd vanwege detectie-uitdagingen. Er was dus behoefte aan een uitbreiding van het BICEP-model om deze varianttypes op een vergelijkbare Bayesian manier te kunnen prioriteren.

Methodologie

De auteurs hebben het bestaande BICEP-framework uitgebreid met nieuwe prior-modellen voor indels en CNV's (specifiek deleties en duplicaties). De aanpak omvatte de volgende stappen:

1. Dataverzameling en Voorbereiding:

   • SNV's: Gebruik van een bijgewerkte ClinVar-dataset (gedownload december 2025) voor GRCh37 en GRCh38.
   • Indels: Gebruik van ClinVar-data, waarbij ook varianten met "single submitter"-ondersteuning werden opgenomen om de dataset te vergroten. In plaats van gedetailleerde VEP-consequenties werd het bredere IMPACT-annotatiesysteem gebruikt (HIGH, MEDIUM, LOW, MODIFIER) om voldoende datapunten per categorie te garanderen.
   • CNV's: Data afkomstig van dbVar (studie nstd102). Alleen deleties en duplicaties tussen 50 bp en 30 Mbp die overlap hadden met MANE v1.4 transcripten van eiwitcoderende genen, werden geselecteerd. Variant met een allelfrequentie >1% (vaak als benign beschouwd) werden verwijderd.

2. Predictors (Voorspellers) voor de Regressiemodellen:

   • Indels: Alleen allelfrequentie (gnomAD) en functionele consequentie (IMPACT) werden gebruikt. Extra schadelijkheidsscores werden bewust weggelaten om cirkelredenering te voorkomen (aangezien veel scores op ClinVar-data zijn getraind).
   • CNV's: Er werden vier verschillende modelconfiguraties getest voor deleties en duplicaties:
     • Geen predictors (NULL-model).
     • Alleen CADD-SV scores (deleteriousness score voor structurele varianten).
     • Alleen pLoEUF scores (van gnomAD v4.1, waarbij de som van de reciproke waarden wordt gebruikt voor genen volledig binnen de CNV-regio).
     • Een combinatie van CADD-SV en pLoEUF.

3. Modeltraining en Validatie:

   • De data werd opgesplitst in een trainingsset (80%) en een testset (20%).
   • Een logistieke regressie werd gebruikt om de logPriorOC (log10-schaal van de prior odds voor pathogeniciteit) te berekenen.
   • Benchmarks: De prestaties werden gemeten aan de hand van sensitiviteit, specificiteit, PPV (Positive Predictive Value), NPV (Negative Predictive Value) en de Matthews Correlation Coefficient (MCC). De PPV was de primaire metriek, aangezien BICEP zich richt op het identificeren van pathogene varianten.

Belangrijkste Resultaten

• Algemene Prestaties: De nieuwe modellen voor indels en CNV's tonen vergelijkbare prestaties met de bestaande SNV-modellen. Overfitting werd uitgesloten omdat de betrouwbaarheidsintervallen van de trainings- en testdata goed overlappen.
• Indels:
  • Zeer hoge PPV (99,8%), wat betekent dat varianten die door het model als pathogeen worden gesorteerd, bijna altijd dat ook zijn.
  • Een bescheiden NPV (62,3%), wat aangeeft dat sommige waarlijk pathogene indels een negatieve score krijgen en door het model worden gemist. Dit wordt toegeschreven aan de kleinere dataset en het onbalans tussen pathogene en benign varianten.
• CNV's (Deleties en Duplicaties):
  • Voor deleties presteerde het model met zowel CADD-SV als pLoEUF het beste (PPV 92,0%), hoewel de verschillen tussen de modellen klein waren.
  • Voor duplicaties was het gecombineerde model duidelijk superieur met een PPV van 84,6%, wat aanzienlijk hoger was dan de andere modellen.
  • De auteurs raden daarom aan om voor zowel deleties als duplicaties het model te gebruiken dat beide predictors (CADD-SV en pLoEUF) combineert.

Kernbijdragen

1. Uitbreiding van BICEP: Het eerste Bayesian prior-model dat specifiek is ontworpen voor indels en CNV's binnen de context van pedgree-analyses.
2. Integratie van CNV-predictors: Systematische evaluatie en aanbeveling van de beste combinaties van predictors (CADD-SV en pLoEUF) voor het prioriteren van CNV's.
3. Implementatie: De nieuwe modellen zijn direct beschikbaar in de huidige versie van de BICEP-software (GitHub), waardoor gebruikers nu een uitgebreide analyse kunnen uitvoeren voor SNV's, indels en CNV's in één workflow.

Significantie

Deze uitbreiding is van groot belang voor de genetische diagnostiek van complexe ziekten. Omdat indels en CNV's vaak worden genegeerd in standaard analyses, biedt BICEP nu een gestandaardiseerde manier om deze varianten te prioriteren op basis van zowel co-segregatie in families als functionele waarschijnlijkheid. Hoewel de prestaties voor deze varianttypes iets lager zijn dan voor SNV's (wat historisch meer bestudeerd zijn), is de hoge PPV cruciaal voor het succesvol identificeren van causale varianten in klinische studies. De auteurs benadrukken dat de modellen zullen verbeteren naarmate er meer data beschikbaar komt en betere predictors worden ontwikkeld, maar dat de huidige implementatie een essentiële stap voorwaarts is voor de veld.