Intrinsic sequence evidence cannot reach a pathogenic classification for missense variants under a partitioned ACMG framework
本研究表明，在防止证据复用的分区 ACMG 框架下，仅凭内在序列数据在数学上不足以将错义变异分类为致病性，这揭示了减少临床意义不明负担的方法在于引入多样化的证据类型，而非改进计算预测器。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
在人类遗传学的隐秘世界中，DNA代码中仅仅一个字母的变化，有时就能决定健康与一种罕见且改变人生的疾病之间的界限。当医生对患者进行基因组测序以寻找神秘疾病的病因时，他们经常会遇到一种被称为“错义变异”（missense variant）的特定类型变化。这是一种蛋白质的一个构建模块被另一个替换掉的突变，就像用一块略有不同的砖头替换了墙上的一块砖。问题在于，对于绝大多数此类变化，科学目前还无法确定它们是有害还是无害的。在医学报告中，这些变异被标记为“意义不明的变异”（variants of uncertain significance），使临床医生和家庭处于一种悬而未决的状态，无法做出明确的治疗决策。遗传学家用于分类这些变异的标准规则依赖于一套计分系统，通过累加不同类型的证据来得出结论。然而，一个关键的差距已经显现：仅通过观察DNA序列本身所能收集到的证据，往往过于微弱，不足以达到宣布一个变异具有致病性的阈值。
印度维洛尔理工学院（Vellore Institute of Technology）的一个研究小组现在精确测量了这一差距到底有多宽，并发现了一个令人惊讶的、关于仅靠DNA分析所能达到的结构性极限。他们构建了一个复杂的计算机系统来测试遗传学家使用的规则，重点研究了一组罕见的出血和血小板疾病，在这些疾病中，诊断错误可能导致危险甚至致命的治疗。他们的工作表明，无论计算机预测器变得多么先进，它都无法仅根据DNA序列及其注释将一个错义变异分类为致病性的。游戏的规则本身就不允许这样做。研究人员发现，要解决这些病例，医生必须超越序列本身，去寻找其他种类的证据，例如患者身体的实际功能情况，或疾病在家族中的演变过程。
研究人员开发了一个名为DISCERN的工具来探索这个问题。与以往试图仅通过观察遗传代码来猜测答案的工具不同，DISCERN的设计初衷是作为一个严谨的审计员。它的构建旨在确保用于决策的每一件证据都被精确地计数一次，防止那种会意外夸大发现重要性的“重复计数”现象。该系统针对一组专家分类的出血性疾病进行了测试，在这一领域，失误的代价极高。例如，混淆两种看起来相似的出血性疾病，可能会导致医生开出一种对一种疾病无害但会对另一种疾病引起严重血栓的药物，或者建议进行一次不必要且危险的手术。研究人员想看看，这个严格遵循证据规则的系统，是否能仅利用标准实验室报告中可获得的遗传数据来解决这些困难的病例。
当他们在425个已被专家标记为明确有害或明确无害的错义变异上运行该系统时，结果是触目惊心的。仅使用DNA序列中的内在证据，该系统对425个变异中的零个分配了“致病”或“可能致病”的分类。它根本无法达到必要的评分。该系统能够识别无害的变异，但由于证据框架规则的限制，仅靠序列本身的得分不足以跨越进入危险分类的界限。即使研究人员尝试恢复所有规则所保留的每一项信息，该系统也只能找回专家所解决的极小部分病例。这项研究表明，障碍并非源于计算机程序的缺陷或计算能力的缺乏；它是指南本身的一个基本属性。证明一个错义变异具有致病性的证据，根本不存在于序列数据本身之中。
这一发现挑战了人们普遍的希望，即更好的计算机算法最终会解决遗传结果不确定性的问题。研究人员证明，即使是目前最先进的、常被用作诊断捷径的预测器，也会撞上同一道无形的天花板。问题不在于计算机不擅长阅读代码，而在于代码本身并不包含做出最终判断所需的信息。要将一个变异从“不确定”转变为“致病”，医生需要另一种形式的证明：即显示蛋白质行为的功能测试、显示疾病在家族谱系中演变的资料，或指向特定疾病的临床症状。研究强调，解决不确定性危机的方案不在于更好的软件，而在于收集这些更复杂的、将遗传变化与患者实际体验联系起来的证据类型。
研究人员还测试了其系统区分极其相似疾病的能力。在出血性疾病的世界里，不同的遗传原因可能产生相同的症状，这使得误诊患者变得容易。该系统成功地结合了遗传发现与患者的具体症状，从而缩小了正确疾病的范围，但它实现这一目标时带有一个至关重要的安全特性。如果系统无法得出确定的结论，或者提议的治疗对疑似病情具有危险性，它就会停止并建议进行特定的测试以获取更多信息。这种“安全联锁”机制在他们的测试中表现完美，它标记出了每一个会导致有害治疗的场景，且从未误报过无害的情况。这证明了该系统可以作为一个可靠的指南，它不是通过猜测答案，而是通过准确知道何时需要更多信息来确保安全。
最终，这项工作为遗传医学目前的现状以及未来的走向提供了一张清晰的地图。研究人员表明，对于错义变异而言，如果仅依赖遗传序列，通往明确诊断的道路是被阻断的。他们发现的“天花板”是当前指南的一个结构性限制，这意味着如果没有新数据，任何计算能力都无法突破它。前进的路径要求转变收集遗传证据的方式，转向一种将遗传发现与患者特定的临床图景及功能测试结果相结合的模型。通过如此精确地测量这一差距，该研究为实验室提供了一份实用的路线图：不要试图仅从序列中强行得出结论，而应专注于收集规则所要求的、非遗传性的特定证据，以实现安全且准确的诊断。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。