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

Technische Samenvatting: Machine-leesbare database voor genotype-fenotype analyses bij FKTN-gerelateerde congenitale musculaire dystrofieën

Probleemstelling
FKTN-gerelateerde congenitale musculaire dystrofieën (CMD's) vormen een zeer heterogene, ultra-zeldzame subset van $\alpha$-dystroglycanopathieën. Hoewel het FKTN-gen een goed gedefinieerde biallelicale oorzaak van deze stoornissen is, is de klinische literatuur gefragmenteerd over bijna 100 manuscripten die uiteenlopende populaties en variërende fenotypes beschrijven. Momenteel bestaat deze data voornamelijk uit ongestructureerde tekst binnen casusrapporten en series, wat een gebrek aan harmonisatie tot gevolg heeft. De afwezigheid van een uitgebreide, machine-leesbare database belemmert het vermogen om genetische pathogeniteit te voorspellen, pathogene mechanismen te begrijpen en therapeutische mogelijkheden voor deze zeldzame condities te verkennen. Bestaande genomische databases (bijv. ClinVar, LOVD) missen vaak gedetailleerde, gestandaardiseerde fenotypische informatie gekoppeld aan specifieke genotypen.

Methodologie
De auteurs hanteerden een rigoureuze, meerfasige pijplijn om data uit de literatuur te extraheren, te harmoniseren en te structureren:

1. Identificatie en extractie uit de literatuur:

   • Een iteratieve zoekopdracht in PubMed (januari 2022 – april 2024) met termen gerelateerd aan FKTN, fukutin, dystroglycanopathie en musculaire dystrofie identificeerde 288 manuscripten.
   • Na filtering op relevantie en inclusiecriteria (patiënten met FKTN-varianten en klinische data) werden 92 manuscripten behouden, die 749 patiënten beslaan (386 individuele casusrapporten/series en 363 gegroepeerde patiënten).
   • Data werd handmatig geëxtraheerd in een spreadsheet ("catalogus") georganiseerd per patiënt in plaats van per manuscript om duplicatie te voorkomen. Geëxtraheerde velden waren onder meer varianten, geslacht, etniciteit, leeftijd bij aanvang, klinische manifestaties over vier orgaansystemen (spier, neurologisch, cardiaal, ophthalmologisch) en behandelingsuitkomsten.

2. Genotype-harmonisatie:

   • Varianten werden gestandaardiseerd naar het Genome Reference Consortium Human Build 38 (GRCh38/HG38) formaat.
   • Vanwege het bestaan van 10 verschillende FKTN-transcriptisoformen in NCBI en het frequente gebrek aan isoform-specificatie in oudere literatuur, werden varianten gekruist met alle tien de isoformen met behulp van tools zoals VariantValidator, Varsome, Mutalyzer 3 en NCBI Nuccore.
   • Conflicten werden opgelost door prioriteit te geven aan klinisch gevalideerde databases (LOVD, ClinVar) of door de oorspronkelijke locaties te reconstrueren op basis van specifieke details uit de artikelen.
   • Data werd omgezet naar een standaard Variant Call Format (VCF), met specifieke modificaties voor inserties en deleties. Haplotype-notaties die niet naar specifieke varianten konden worden gemapt, werden uitgesloten.

3. Fenotype-harmonisatie (NLP-pijplijn):

   • Natuurlijke taal klinische beschrijvingen werden omgezet in Human Phenotype Ontology (HPO) termen met behulp van PhenoTagger.
   • Om het onvermogen van de tool om negaties te detecteren (bijv. "geen spierzwakte" dat ten onrechte als een positief fenotype wordt geïdentificeerd) aan te pakken, integreerden de auteurs NegBio en ontwikkelden zij aangepaste scripts. Deze scripts gebruikten een woordenboek van negatietermen om fout-positieve resultaten te filteren.
   • Deze gecombineerde aanpak filterde meer dan 90% van de niet-relevante positieve informatie, waardoor de initiële 505 unieke HPO-termen werden teruggebracht tot 341 relevante fenotypes na handmatige curatie om verwarrende variabelen te verwijderen (bijv. door steroïden geïnduceerde symptomen).

4. Ontwikkeling van de klinische ernstschaal:

   • Een nieuwe klinische ernstschaal werd ontwikkeld op basis van de maximale motorische mijlpaal die een patiënt in zijn leven heeft bereikt, waarbij de aangepaste Ueda-classificatie werd gebruikt.
   • Definities van de schaal:
     • 1 (Mild): Onafhankelijke ambulatie bereikt.
     • 2 (Matig): Onafhankelijk zitten of staan bereikt.
     • 3 (Ernstig): Nooit onafhankelijk zitten, staan of hoofdkontrole bereikt.
     • C: Te jong om de mijlpaal te bepalen.
     • X: Onvoldoende informatie.
   • Binaire indicatoren werden eveneens toegewezen voor de aanwezigheid of afwezigheid van neurologische, cardiale of ophthalmologische pathologie.

Belangrijkste Resultaten

• Samenstelling van de dataset: De uiteindelijke machine-leesbare dataset bevat 749 patiënten uit 92 manuscripten. Na het uitsluiten van "patiënten in bereiken" (PIR) om de integriteit van individuele patiëntgegevens te waarborgen, richtte de analyse zich op specifieke patiëntendossiers.
• Genetische bevindingen: Er werden 52 unieke genotype-combinaties geïdentificeerd. De meest voorkomende was homozygotie voor de Japanse ancestrale founder-variant (3-kb retrotransposon-insertie in de 3' UTR). Andere opmerkelijke varianten waren de Ashkenazi founder-variant (c.1167dup) en varianten in Turkse populaties.
• Fenotypische distributie:
  • Ernst: 60 patiënten werden geclassificeerd als mild (1), 157 als matig (2) en 60 als ernstig (3). 11 waren te jong (C), en anderen hadden onvoldoende gegevens (X).
  • Orgaansystemen: Spiergerelateerde symptomen betroffen 337 patiënten, neurologische (CZS) symptomen betroffen 173, ophthalmologische symptomen betroffen 57 en cardiale symptomen betroffen 51.
• NLP-prestaties: De integratie van NegBio en aangepaste scripts slaagde erin om meer dan 90% van de niet-relevante positieve informatie te filteren tijdens de fenotype-extractie, wat de nauwkeurigheid van de data aanzienlijk verbeterde vergeleken met het enkel gebruiken van NegBio (~60% filterpercentage).

Betekenis en Claims
Het artikel presenteert een uitgebreide aanpak voor literatuur-extractie en harmonisatie voor FKTN-gerelateerde CMD's, dienend als een pilot voor vergelijkbare data-extractie in andere zeldzame monogene ziekten.

• Methodologische Blauwdruk: De auteurs positioneren dit werk als een "blauwdruk" voor data-curatie in andere zeldzame monogene ziekten. De semi-geautomatiseerde pijplijn (handmatige extractie + NLP-harmonisatie + aangepaste filtering) is ontworpen om reproduceerbaar te zijn voor andere aandoeningen met vergelijkbare literatuurvolumes (~200 papers).
• FAIR-dataprincipes: De dataset transformeert ongestructureerde historische literatuur in FAIR-data (Findable, Accessible, Interoperable, Reusable), wat integratie in bredere registers voor zeldzame ziekten mogelijk maakt.
• Klinische Bruikbaarheid: De nieuw ontwikkelde klinische ernstschaal biedt een gestandaardiseerde metriek om fenotypische data te categoriseren, wat genotype/fenotype correlatiestudies vergemakkelijkt.
• Toekomstige Automatisering: De auteurs merken bescheiden op dat hoewel de huidige automatisering beperkt is door de noodzaak van handmatige tagging en complexe variant-harmonisatie, deze dataset dient als controle- en trainingsgrond voor toekomstige Large Language Models (LLM's) om volledig autonome literatuur-extractie en curatie te bereiken.

Het werk wordt ondersteund door het Intramural Research Program van de NIH en is beschikbaar via de RARe-SOURCE® database en de bijbehorende GitHub-repositories.