CoNVict: An Agentic AI System for Copy Number Variation Prioritization in Rare Disease Diagnosis

Dit artikel presenteert CoNVict, een agentic AI-systeem dat de prioritering van kopiegetalvariaties bij zeldzame ziekten verbetert door patiëntspecifieke fenotypen te integreren en zo de kloof tussen geautomatiseerde annotatie en klinische besluitvorming overbrugt.

De kern

🕵️‍♂️ CoNVict: De Digitale Detective voor Genetische Raadsels

Stel je voor dat je lichaam een enorme bibliotheek is, gevuld met miljoenen boeken (je genen). Soms is er een foutje in een boek: een pagina is weggeplukt (een deletie) of er is een pagina dubbel ingeplakt (een duplicatie). In de medische wereld noemen we dit een CNV (Copy Number Variant).

Deze foutjes kunnen de oorzaak zijn van zeldzame ziektes. Maar hier zit het probleem: een CNV is vaak zo groot dat het niet één, maar tientallen boeken (genen) tegelijk raakt. Voor een arts is het als een detective die een moordzaak moet oplossen, maar waar de verdachte niet één, maar 50 mensen heeft gekend. Welke van die 50 is de dader? En welke is onschuldig?

Tot nu toe moesten artsen dit zelf uitpluizen, wat erg lastig en tijdrovend is. Bestaande computerprogramma's kunnen wel de fouten vinden, maar ze zijn niet slim genoeg om te begrijpen welke fout precies bij de klachten van de patiënt past.

CoNVict is de nieuwe oplossing: een AI-agent (een slimme digitale assistent) die deze detectiveklus overneemt.

---

🧠 Hoe werkt CoNVict? (De Twee Stappen)

Stel je voor dat CoNVict een super-slimme rechercheur is die in twee fases werkt:

Fase 1: De "Scheiding" (CNVerdict)

De eerste taak is om de hoop verdachten te verkleinen.

• Het probleem: Een patiënt kan honderden onschuldige variaties hebben.
• De oplossing: CoNVict leest het dossier van elke variatie en vergelijkt het met de klachten van de patiënt (de "symptomen").
• De vergelijking: Het is alsof je een berg brieven doorzoekt. CoNVict zegt: "Deze brief past niet bij de zaak (irrelevant)", "Deze brief is misschien wel belangrijk, maar we weten het niet zeker (afwachten)", of "Deze brief is heel verdacht, let op (relevant)".
• Hierdoor blijft alleen de kleine groep van de meest verdachte verdachten over.

Fase 2: Het "Toernooi" (Tournament Ranking)

Nu heeft CoNVict nog steeds een paar verdachten. Wie is de echte dader?

• Het probleem: Soms lijken twee verdachten allebei verdacht. Wie is de meest verdachte?
• De oplossing: CoNVict laat de verdachten tegen elkaar vechten in een toernooi.
• De vergelijking: Stel je een bokswedstrijd voor. CoNVict neemt twee verdachten en vraagt: "Wie past beter bij de beschrijving van de dader?" De winnaar gaat door naar de volgende ronde.
• Dit gebeurt keer op keer, tot er één winnaar overblijft: de variatie die de ziekte het waarschijnlijkst veroorzaakt.

---

🏆 Waarom is CoNVict zo goed?

De onderzoekers hebben CoNVict getest tegen andere bekende programma's (zoals Exomiser en PhenoSV) met 397 nep-patiënten (simulaties). Het resultaat? CoNVict was veel sneller en accurater.

1. Het vindt de naald in de hooiberg: Zelfs als er duizenden variaties zijn (zoals bij een volledige genoomsequencing), vindt CoNVict de juiste variatie veel vaker als nummer 1 dan de anderen.
2. Het is slim met "onbekenden": Vaak zijn er variaties die nog nooit eerder zijn gezien (nieuwe mutaties). Andere programma's geven hier vaak op, maar CoNVict kan redeneren: "Dit gen zit in een gebied dat gevoelig is voor fouten, en de symptomen passen erbij."
3. Het begrijpt de context: CoNVict kijkt niet alleen naar de cijfers, maar leest ook de medische geschiedenis van de patiënt. Het is alsof het de detective niet alleen de feiten geeft, maar ook het verhaal van het slachtoffer.

🚀 Wat betekent dit voor de toekomst?

Voor nu is CoNVict een prototype dat werkt op computersimulaties, maar het belooft veel voor de echte wereld.

• Minder wachten: Patiënten hoeven niet maanden te wachten op een diagnose.
• Mist geen gevallen: Artsen krijgen een lijstje met de top-4 verdachten, waardoor ze minder kans hebben om de echte oorzaak over het hoofd te zien.
• Slimme hulp: Het neemt de saaie, repetitieve zoektocht over, zodat de menselijke arts zich kan focussen op het gesprek met de patiënt en de uiteindelijke beslissing.

Kortom: CoNVict is als een digitale Sherlock Holmes die de chaos van je DNA ordent, de verdachten filtert en je de arts precies vertelt waar hij moet zoeken om de oorzaak van een zeldzame ziekte te vinden.

Technische samenvatting

Probleemstelling

Copy Number Variants (CNVs) – deleties of duplicaties van DNA-segmenten – zijn een belangrijke oorzaak van zeldzame genetische aandoeningen (15-20% van de neurodevelopmentale stoornissen). De klinische interpretatie hiervan is echter uiterst complex en uitdagend voor de volgende redenen:

• Complexiteit: CNVs kunnen meerdere genen overspannen, regulatorische elementen verstoren, recessieve allelen blootleggen of genfusies creëren.
• Contextafhankelijkheid: De klinische impact hangt niet alleen af van de variant zelf, maar sterk van de doseringsgevoeligheid van de betrokken genen en de specifieke fenotypische presentatie van de patiënt.
• Beperkingen van bestaande tools: Huidige computergestuurde methoden (zoals Exomiser, PhenoSV, SvAnna) automatiseren vaak de annotatie op variant-niveau, maar laten de integratie van fenotype-gebaseerde bewijslast en de systematische vergelijking tussen kandidaat-varianten over aan de klinisch geneticus. Ze falen vaak bij het onderscheiden van pathogene varianten die niet relevant zijn voor de specifieke patiënt, en presteren slecht bij Varianten van Onzekere Significantie (VUS) en niet-coderende varianten.

Methodologie: Het CoNVict Systeem

CoNVict is een tweestaps "agentic AI"-systeem dat Large Language Models (LLMs) gebruikt om redeneringsprocessen te coördineren die lijken op die van een menselijk expert. Het systeem verwerkt een VCF-bestand en prioriteert CNVs via de volgende pijplijn:

1. Pre-filtering:

   • Varianten worden eerst geannoteerd met AnnotSV.
   • Een voorlopige ranking wordt gegenereerd met CNVoyant (een ML-tool).
   • De top 64 kandidaten (voor WES) of top 512 (voor WGS) worden geselecteerd voor verdere analyse om de kosten van LLM-inferentie te beheersen.

2. CNVerdict (Classificatie):

   • Een LLM voert een drie-klassen classificatie uit op basis van de patiënt's HPO-terms (Human Phenotype Ontology) en klinische geschiedenis (epicrisis).
   • Klassen: Relevant (kan de fenotypes verklaren), Abstain (gemengd bewijs), of Irrelevant.
   • De top 32 (WES) of 64 (WGS) varianten met de hoogste prioriteit ("Relevant") gaan door naar de volgende fase.

3. Tournament Ranking (Pairwise Vergelijking):

   • Dit is het kernonderdeel van de "agentic" aanpak. In plaats van een statische score, voert het LLM een toernooi-structuur uit.
   • Variant-paren worden willekeurig gegenereerd en de LLM vergelijkt ze op basis van gestructureerde prompts die de patiëntcontext, gen-annotaties, doseringsgevoeligheid (pLI, ClinGen scores) en structurele impact bevatten.
   • De "winnaar" van elke ronde gaat door naar de volgende ronde totdat een definitieve ranglijst (Top-K) is gegenereerd.
   • Het systeem gebruikt een Gene Cache: een vooraf berekende database van geannoteerde genen met trefwoorden gerelateerd aan fenotypes en ziekten, afgeleid van literatuur en databases (OMIM, ClinVar, etc.), om de context voor het LLM beknopt en relevant te houden.

Belangrijkste Bijdragen

• Agente AI voor Genetica: Het toont aan dat multi-stap redenering met LLMs, in plaats van statische scoringsfuncties, beter geschikt is voor de complexe, contextafhankelijke interpretatie van CNVs.
• Integratie van Context: CoNVict integreert expliciet de patiëntfenotypes (HPO) en klinische geschiedenis in de redenering over elke variant, wat essentieel is voor het onderscheiden van pathogene van onschuldige CNVs.
• Robuustheid bij Onzekerheid: Het systeem is specifiek ontworpen om goed te presteren bij VUS en nieuwe (novel) varianten waar traditionele databases geen informatie bieden.
• Open Source: De code en data zijn beschikbaar gesteld, wat reproduceerbaarheid en verdere ontwikkeling stimuleert.

Resultaten

CoNVict werd geëvalueerd op een benchmark van 397 gesimuleerde diagnostische gevallen (320 WES, 77 WGS) met bekende causale CNVs, afkomstig uit ClinVar, DECIPHER, UDN en computergenerieke nieuwe gevallen.

• Algemene Prestatie: CoNVict rangschikte de causale CNV op positie 1 in 74,3% van de gevallen en binnen de top-5 in 89,2%. Dit is een significante verbetering ten opzichte van de beste concurrent (Exomiser), die respectievelijk 64,0% en 81,9% behaalde.
• WGS Uitdaging: In Whole Genome Sequencing-scenario's (met veel meer achtergrondruis) presteerde CoNVict aanzienlijk beter dan concurrenten. Terwijl de prestaties van PhenoSV en SvAnna sterk daalden bij WGS, behield CoNVict een hoge recall (70,1% top-5).
• VUS en Nieuwe Varianten: CoNVict behaalde een top-1 recall van 54,8% voor door AnnotSV als VUS geclassificeerde varianten, vergeleken met 38,7% voor Exomiser. Bij volledig nieuwe varianten (niet in databases) was de prestatie 49,0% versus 25,5% voor Exomiser.
• Niet-coderende Varianten: Voor niet-coderende varianten (intronic/intergenic) behaalde CoNVict een top-1 recall van 44,4%, terwijl Exomiser op 11,1% zat en SvAnna op 0,0%. Dit onderstreept het vermogen van het systeem om regulatorische impact te redeneren.
• Diversiteit: Het systeem presteerde consistent goed over verschillende ziektesystemen, CNV-groottes en -mechanismen.

Betekenis en Conclusie

CoNVict sluit de kloof tussen geautomatiseerde variant-annotatie en de patiëntspecifieke klinische redenering die nodig is voor een accurate genetische diagnose. Door agente AI te gebruiken, kan het systeem de complexe, niet-lineaire relatie tussen genotype en fenotype modelleren, wat statische tools niet kunnen.

De resultaten suggereren dat dit type systeem de diagnostische opbrengst kan verhogen, vooral in moeilijke gevallen zoals VUS, nieuwe mutaties en niet-coderende varianten. Hoewel de huidige evaluatie op gesimuleerde data is gebaseerd, biedt het een veelbelovende richting voor de toekomst van de klinische genetica, waarbij AI-assistenten de arts ondersteunen bij het nemen van diagnostische beslissingen in plaats van alleen data te filteren.