Resumo Técnico: Genosolver

Declaração do Problema

Apesar dos avanços na medicina molecular e nas tecnologias de sequenciamento (WGS/WES), um gargalo diagnóstico significativo persiste no cuidado às doenças raras: a interpretação de vastos dados genômicos continua sendo um desafio, deixando muitos pacientes sem um diagnóstico. As abordagens computacionais atuais dependem fortemente de características clínicas padronizadas, principalmente a Ontologia de Fenótipos Humanos (HPO). Embora a HPO forneça a padronização necessária, ela sofre de limitações inerentes na captura de informações clínicas complexas e não estruturadas. Especificamente, a HPO frequentemente falha em codificar:

• Mudanças temporais e longitudinais de sintomas.
• Histórico familiar detalhado e padrões de herança.
• Achados negados (ex: "ausência de achados de EEG").
• Atributos específicos de sintomas (ex: "epilepsia mioclônica-atásica resistente à terapia").
• Agentes terapêuticos e resultados diagnósticos específicos ainda não mapeados para termos da HPO.

As implementações de aprendizado de máquina existentes frequentemente falham em percorrer todo o pipeline diagnóstico, limitando-se tipicamente a converter características em termos da HPO (perdendo a nuance da linguagem natural) ou integrando dados genéticos de forma superficial. Há uma carência de um pipeline de código aberto que unifique a extração de fenótipos de narrativas não estruturadas, o diagnóstico de doenças raras e a priorização de variantes genéticas em um único fluxo de trabalho capaz de lidar tanto com dados padronizados quanto não padronizados.

Metodologia

Os autores apresentam o Genosolver, um fluxo de trabalho integrado e de múltiplos estágios que utiliza Grandes Modelos de Linguagem (LLMs) e Grandes Modelos de Raciocínio (LRMs) para abordar essas lacunas. O sistema é projetado para operar em ambientes locais seguros de dados e consiste em três módulos primários:

1. Extrator de Fenótipo:

   • Processa registros eletrônicos de saúde (EHRs) não estruturados, incluindo notas clínicas e resultados genéticos.
   • Utiliza Pequenos Modelos de Linguagem (SLMs) locais e modelos de tradução (para normalização de Alemão para Inglês) para extrair características fenotípicas, dados demográficos e histórico familiar.
   • Avalia a extração comparando a capacidade do modelo em derivar termos da HPO a partir de texto bruto, enquanto também preserva a narrativa não estruturada original.

2. Designador de Doença:

   • Atua como um filtro fenotípico grosseiro para reduzir a carga computacional.
   • Utiliza um banco de dados vetorial (FAISS) contendo relações genótipo-fenótipo curadas (derivadas de HPO-Jax, GeneReviews e UniProt).
   • Emprega transformadores de sentenças baseados em BERT e Relevância Marginal Máxima (MMR) para recuperar associações gene-fenótipo relevantes com base nas características extraídas.

3. Priorizador de Variantes:

   • Correlaciona a lista filtrada de potenciais diagnósticos com as variantes genéticas filtradas do paciente (SNVs, indels e potencialmente CNVs/repetições).
   • Utiliza uma abordagem de Geração Aumentada por Recuperação (RAG), onde o LLM/LRM acessa uma base de conhecimento de literatura curada (GeneReviews, UniProt) para avaliar se uma variante específica explica o fenótipo do paciente.
   • Gera um resumo de raciocínio explicando o processo de classificação, incorporando contexto como idade, sexo e padrões de herança.

Configuração Experimental:

• Modelos Avaliados: O estudo testou quatro modelos locais de código aberto: Llama-3.3-70B-Instruct, MedGo (baseado em Qwen), DeepSeek destilado Llama 70B e GPT OSS 120B.
• Baselines: O desempenho foi comparado com o Exomiser, uma ferramenta renomada de priorização de variantes, utilizando várias configurações (configurações padrão, filtragem de classificação ACMG e filtragem de pontuação gene-variante).
• Datasets:
  • Validação Retrospectiva: 233 casos previamente resolvidos geneticamente (2023–2025) em quatro categorias de doenças (neurodesenvolvimento, órgãos específicos, neuromuscular, hematológica).
  • Reanálise: 1.875 casos anteriormente não resolvidos do mesmo centro.
  • Prova de Conceito: Pequenas coortes para expansões de repetição (n=5) e Variações no Número de Cópias (CNVs) (n=19).

Principais Resultados

1. Desempenho de Priorização de Variantes

Na avaliação de 233 casos resolvidos, o fluxo de trabalho Genosolver utilizando o modelo GPT OSS 120B e notas clínicas não estruturadas (Experimento 1) demonstrou desempenho superior ao Exomiser:

• Taxa de Acerto Top 1: O Genosolver alcançou 72% (Exomiser: 63%).
• Taxa de Acerto Top 10: O Genosolver alcançou 94% (Exomiser: 85%).
• Isso representa uma melhora de 9% sobre a ferramenta baseline Exomiser.
• Outros modelos (Llama, MedGo, DeepSeek) geralmente apresentaram desempenho inferior ao Exomiser quando utilizados sem as estratégias de fusão específicas ou entradas de dados não estruturados.

2. Valor de Dados Não Estruturados

O estudo identificou 522 termos fenotípicos extraídos pelo Genosolver que não puderam ser mapeados para os termos existentes da HPO. Estes incluíam características omitidas, atributos específicos, componentes temporais e achados negativos.

• O fluxo de trabalho utilizando narrativas não estruturadas superou fluxos de trabalho que utilizavam apenas termos da HPO atribuídos por especialistas ou termos da HPO gerados por máquina.
• O modelo utilizou com sucesso informações contextuais (histórico familiar, idade, sexo) em seu raciocínio. Em 48 casos, o histórico familiar foi usado para inferir padrões de herança (47/48 corretos); em 43 casos, a idade foi aplicada corretamente; e em 6 casos, o sexo foi usado corretamente para justificar um diagnóstico.

3. Reanálise em Larga Escala

Uma reanálise semiautomática de 1.875 casos não resolvidos rendeu uma taxa de diagnóstico adicional de 1,7% (31 novos diagnósticos).

• Razões para novos diagnósticos:
  • 21 casos: Omitidos devido a estratégias de priorização/filtragem rígidas anteriores.
  • 6 casos: Mudanças nas anotações do ClinVar (de VUS para patogênica).
  • 2 casos: Novas associações gene-fenótipo descobertas.
• O fluxo de trabalho Genosolver (usando Llama para eficiência) identificou com sucesso esses casos que haviam sido filtrados anteriormente por pipelines padrão.

4. Expansão para Outros Tipos de Variantes

Como prova de conceito, o fluxo de trabalho foi adaptado para:

• Expansões de Repetição: Alcançou uma taxa de acerto de 0,8 (k=1,3,5,10) em 5 casos.
• CNVs (Único/Multi-exon): Alcançou taxas de acerto de 0,8 (k=1) e 0,9 (k=3,5,10) em 10 casos.
• CNVs Multi-gene: Manteve com sucesso 7 de 9 CNVs multi-genes relevantes ao avaliar a relevância coletiva dos genes dentro da CNV.

Significância e Alegações

O artigo afirma que o Genosolver oferece um fluxo de trabalho escalável e seguro de dados que aumenta significativamente os diagnósticos moleculares em doenças raras ao integrar dados clínicos não padronizados com LLMs locais e modelos de raciocínio.

• Integração Holística: Ao contrário de ferramentas anteriores, o Genosolver unifica a extração de fenótipos, o diagnóstico e a priorização de variantes em um único pipeline, capaz de processar tanto termos da HPO quanto narrativas clínicas brutas.
• Além das Limitações da HPO: O estudo fornece evidências de que características fenotípicas não estruturadas carregam valor clínico adicional (ex: contexto temporal, negações) que os padrões atuais da HPO não conseguem capturar, levando a uma maior precisão diagnóstica.
• Privacidade e Adaptabilidade: Ao utilizar modelos locais de código aberto e uma abordagem de RAG em vez de ajuste fino (fine-tuning), o sistema mantém a privacidade dos dados (crucial para a saúde) e permanece adaptável ao conhecimento médico em rápida evolução sem a necessidade de retreinamento constante do modelo.
• Utilidade de Reanálise: O fluxo de trabalho demonstra que a priorização fenotípica baseada em LLM pode efetivamente descobrir diagnósticos perdidos em grandes coortes de casos anteriormente não resolvidos, particularmente aqueles perdidos devido a estratégias de filtragem rígidas em pipelines tradicionais.

Os autores concluem que esta abordagem representa um caminho viável para expandir os diagnósticos de doenças raras para incluir tipos de variantes complexos (CNVs, repetições) e aproveitar a profundidade total dos registros eletrônicos de saúde.