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

Resumo Técnico: Banco de Dados Legível por Máquina para Análises de Genótipo-Fenótipo em Distrofias Musculares Congênitas relacionadas ao FKTN

Definição do Problema
As distrofias musculares congênitas (DMCs) relacionadas ao FKTN representam um subconjunto altamente heterogêneo e ultra-raro das $\alpha$-distroglicanopatias. Embora o gene FKTN seja uma causa bialélica bem definida para esses distúrbios, a literatura clínica está fragmentada em quase 100 manuscritos que descrevem populações díspares e fenótipos variados. Atualmente, esses dados existem primariamente em texto não estruturado dentro de relatos de casos e séries, carecendo de harmonização. Essa ausência de um banco de dados abrangente e legível por máquina dificulta a previsão da patogenicidade genética, a compreensão dos mecanismos patogênicos e a exploração de oportunidades terapêuticas para essas condições raras. Bancos de dados genômicos existentes (ex: ClinVar, LOVD) frequentemente carecem de informações fenotípicas detalhadas e padronizadas vinculadas a genótipos específicos.

Metodologia
Os autores empregaram um pipeline rigoroso de múltiplos estágios para extrair, harmonizar e estruturar os dados da literatura:

1. Identificação e Extração de Literatura:

   • Uma busca iterativa no PubMed (janeiro de 2022 – abril de 2024) utilizando termos relacionados a FKTN, fukutin, dystroglycanopathy e muscular dystrophy identificou 288 manuscritos.
   • Após filtrar por relevância e critérios de inclusão (pacientes com variantes de FKTN e dados clínicos), 92 manuscritos foram retidos, cobrindo 749 pacientes (386 relatos de caso individuais/séries e 363 pacientes agrupados).
   • Os dados foram extraídos manualmente para uma planilha ("catálogo") organizada por paciente, em vez de manuscrito, para evitar duplicidade. Os campos extraídos incluíram variantes, sexo, etnia, idade de início, manifestações clínicas em quatro sistemas orgânicos (músculo, neurológico, cardíaco, oftalmológico) e desfechos de tratamento.

2. Harmonização de Genótipo:

   • As variantes foram padronizadas para o formato Genome Reference Consortium Human Build 38 (GRCh38/HG38).
   • Devido à existência de 10 isoformas distintas de transcritos de FKTN no NCBI e à frequente falta de especificação de isoforma na literatura mais antiga, as variantes foram cruzadas com todas as dez isoformas usando ferramentas incluindo VariantValidator, Varsome, Mutalyzer 3 e NCBI Nuccore.
   • Conflitos foram resolvidos priorizando bases de dados clinicamente validadas (LOVD, ClinVar) ou reconstruindo localizações originais a partir de especificidades dos artigos.
   • Os dados foram convertidos para um Formato de Chamada de Variante (VCF) padrão, com modificações específicas para inserções e deleções. Notações de haplótipo que não pudiam ser mapeadas para variantes específicas foram excluídas.

3. Harmonização de Fenótipo (Pipeline de PLN):

   • Descrições clínicas em linguagem natural foram convertidas em termos da Human Phenotype Ontology (HPO) usando PhenoTagger.
   • Para abordar a incapacidade da ferramenta em detectar negações (ex: "sem fraqueza muscular" sendo identificado erroneamente como um fenótipo positivo), os autores integraram o NegBio e desenvolveram scripts customizados. Esses scripts utilizaram um dicionário de termos de negação para filtrar falsos positivos.
   • Essa abordagem combinada filtrou mais de 0,90 de informações positivas não pertinentes, reduzindo os 505 termos HPO únicos iniciais para 341 fenótipos relevantes após curadoria manual para remover variáveis de confusão (ex: sintomas induzidos por esteroides).

4. Desenvolvimento de Escala de Gravidade Clínica:

   • Uma nova escala de gravidade clínica foi desenvolvida baseada no marco motor máximo alcançado na vida de um paciente, adaptando a classificação de Ueda modificada.
   • Definições da Escala:
     • 1 (Leve): Deambulação independente alcançada.
     • 2 (Moderado): Sentar ou ficar em pé de forma independente alcançado.
     • 3 (Grave): Nunca alcançou controle de cabeça, sentar ou ficar em pé de forma independente.
     • C: Muito jovem para determinar o marco.
     • X: Informação insuficiente.
   • Indicadores binários também foram atribuídos para a presença/ausência de patologia neurológica, cardíaca e oftalmológica.

Principais Resultados

• Composição do Conjunto de Dados: O conjunto de dados final legível por máquina inclui 749 pacientes de 92 manuscritos. Após excluir "pacientes em intervalos" (PIR) para garantir a integridade dos dados individuais, a análise focou em registros de pacientes específicos.
• Achados Genéticos: Foram identificadas 52 combinações de genótipos únicas. A mais prevalente foi a homozigose para a variante fundadora ancestral japonesa (inserção de retrotransposon de 3-kb na 3' UTR). Outras variantes notáveis incluíram a variante fundadora Ashkenazi (c.1167dup) e variantes em populações turcas.
• Distribuição Fenotípica:
  • Gravidade: 60 pacientes foram classificados como leves (1), 157 como moderados (2) e 60 como graves (3). 11 eram muito jovens (C) e outros careciam de dados suficientes (X).
  • Sistemas Orgânicos: Sintomas relacionados ao músculo afetaram 337 pacientes, sintomas neurológicos (SNC) afetaram 173, sintomas oftalmológicos 57 e sintomas cardíacos 51.
• Desempenho de PLN: A integração do NegBio e de scripts customizados conseguiu filtrar mais de 90% das informações positivas não pertinentes durante a extração de fenótipos, melhorando significativamente a precisão dos dados em comparação ao uso apenas do NegBio (~60% de taxa de filtragem).

Significância e Alegações
O artigo apresenta uma abordagem abrangente de extração e harmonização de literatura para DMCs relacionadas ao FKTN, servindo como um piloto para curadoria de dados em outras doenças monogênicas raras.

• Modelo Metodológico: Os autores posicionam este trabalho como um "modelo" (blueprint) para a curadoria de dados em outras doenças monogênicas raras. O pipeline semiautomático (extração manual + harmonização de PLN + filtragem customizada) é projetado para ser replicável para outros distúrbios com volumes de literatura semelhantes (~200 artigos).
• Princípios de Dados FAIR: O conjunto de dados transforma a literatura histórica não estruturada em dados FAIR (Encontráveis, Acessíveis, Interoperáveis, Reutilizáveis), permitindo a integração em registros de doenças raras mais amplos.
• Utilidade Clínica: A escala de gravidade clínica recém-desenvolvida fornece uma métrica padronizada para categorizar dados fenotípicos, facilitando estudos de correlação genótipo/fenótipo.
• Automação Futura: Os autores observam modestamente que, embora a automação atual seja limitada pela necessidade de marcação manual e harmonização complexa de variantes, este conjunto de dados serve como um controle e campo de treinamento para futuros Modelos de Linguagem de Grande Escala (LLMs) para alcançar a extração e curadoria de literatura totalmente autônomas.

O trabalho é apoiado pelo Programa de Pesquisa Intramural do NIH e está disponível através do banco de dados RARe-SOURCE® e repositórios associados no GitHub.