varianTalker: a Nextflow Framework for Scalable, Portable and Clinically Oriented Variant Annotation, Prioritization, and Review
varianTalker 是一个基于 Nextflow 的可扩展框架，它将十种不同的注释资源整合到一个容器化的、可重复的工作流中，以简化精准肿瘤学中的变异优先级排序与审查流程，通过基于 PostgreSQL 的缓存系统显著减少分析时间，并通过 Streamlit 界面实现交互式临床评估。
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
在现代抗癌斗争中，医生获得了一个强大的新视角：读取肿瘤遗传密码的能力。这段代码由DNA编写，有时，那条长长的字符串中会出现单个字母的变化。这些微小的变化被称为“变异”，它们可以像开关一样，将正常细胞转变为癌细胞，或者揭示患者对特定药物的反应方式。为了利用这些信息，医生必须首先从浩如烟海的遗传数据中找到这些变化，并确定它们的含义。某个特定的变化是无害的，还是危险的？它是否表明某种特定的药物会奏效？这个被称为“变异解读”的过程，是连接原始数据与救命治疗方案的桥梁。然而，用于跨越这座桥梁的工具往往是分散的、难以协同使用，或者被锁在昂贵的付费墙之后，使得医院难以快速获得一致的答案。
米兰欧洲肿瘤研究所的研究团队开发了一种名为 varianTalker 的新解决方案来解决这个问题。想象一个繁忙的图书馆，每天都有成千上万本书运达，每本书都用不同的语言编写，并遵循不同的组织规则。如果一名图书管理员需要寻找一个特定的事实，他可能不得不跑遍十个不同的区域，查阅十种不同的目录，并手动从每个目录中抄录笔记。这就是如今医生尝试解读癌症遗传学时所面临的情况：他们必须同时应付多个数据库和软件程序，而这些程序并不总是达成共识。研究人员创建 varianTalker 是为了充当一个自动化的单一“图书管理员”，它可以同时理解所有这些语言。这是一个软件框架，旨在接收来自患者的原始遗传数据，将其同时运行通过十个不同的专家系统，并生成一份突出显示最重要发现的清晰报告。
该系统的工作原理是接收来自医院各种机器的遗传数据，例如那些对血液或肿瘤组织进行DNA测序的机器。一旦数据到达，varianTalker 会对其进行清理，然后将其发送到一组由十个专业资源组成的集合中。其中一些资源预测遗传变化可能如何影响蛋白质，另一些则检查该变化是否曾在其他患者身上出现过。有些资源寻找与特定药物的联系，有些则检查该变化是否很可能是由父母遗传而来的。至关重要的是，该系统并不强迫这些不同的专家对一个评分达成一致。相反，它将所有观点分开保存，允许医生看到全貌。例如，一个数据库可能认为某个变化是不确定的，而另一个数据库则暗示它是有害的。通过保留双方的观点，该系统确保了没有任何证据在翻译过程中丢失。
为了使这一过程更快、更高效，研究人员添加了一个“记忆库”。在癌症遗传学中，相同的遗传变化经常出现在许多不同的患者身上。如果没有记忆库，软件每次有新患者到来时，都必须从头开始重新分析完全相同的变化。varianTalker 将之前分析的结果存储在一个数据库中。当新患者的数据进入时，系统首先会检查它是否已经解决了那个特定的谜题。如果答案已经在那里，它会立即检索出来。在测试中，这一简单的步骤将分析患者数据所需的时间平均减少了92%。这意味着对于常见的遗传变化，系统可以在几分钟内而非数小时内提供结果，从而为医生腾出宝贵的时间专注于患者。
衡量这样一个系统的真正标准是，它是否能在不遗漏任何重要信息的前提下帮助医生做出更好的决策。研究人员在他们自己医院的数百个真实病例上测试了 varianTalker，涵盖了乳腺癌、卵巢癌、结肠癌和骨髓癌。在使用该系统之前，单个患者样本可能包含数千个遗传变化，其中大部分是无害的噪声。手动审查所有这些变化需要数天时间。该系统应用了智能过滤器来筛选噪声，仅保留重要的变化。它将需要人工审查的变异列表减少了超过97%（针对遗传性变化）以及超过99%（针对肿瘤特异性变化）。尽管减少了这么多，但该系统并未丢弃任何一个专家识别出的具有临床意义的变异。它成功地保留了每一个危险的变化，同时丢弃了其余部分。
此外，该系统还证明了其价值，因为它帮助解决了一些此前不明的情况。在研究中，许多遗传变化被标记为“不确定”，意味着没有人知道它们是危险的还是安全的。通过结合来自所有十个资源的证据，varianTalker 能够为86.9%的这些不确定遗传性变化和47.1%的不确定肿瘤变化提供更清晰的分类。这意味着对于近一半的复杂肿瘤病例和几乎所有的复杂遗传病例，该系统收集了足够的额外信息，从而将诊断从“未知”推进到了更具体的阶段。这些额外的证据为医生做出治疗选择提供了更坚实的基础。
研究人员还构建了一个名为 MAFigate 的配套工具，允许医生在自己的电脑上与结果进行交互，而无需将患者数据发送到互联网。这个仪表盘让医生可以调整过滤器，查看为什么某个变异被保留或移除，并添加自己的笔记。这种灵活性至关重要，因为不同医院对于什么算作“可报告发现”有着不同的规则。该系统旨在随着新科学知识的出现而进行更新，确保“图书馆”中的遗传信息保持最新，而不需要对软件进行彻底重构。
研究结论指出，varianTalker 为处理癌症遗传学的复杂性提供了一种可扩展且透明的方式。它并不取代医生的判断，而是承担了收集和整理证据的繁重工作。通过标准化遗传数据的处理方式并加快寻找相关线索的速度，该框架有助于医院应对日益增长的遗传检测量。研究人员承认，目前该系统主要关注微小的遗传变化，且其性能是在来自单一机构的数据上进行的测试，这表明需要在其他医院进行进一步测试。然而，结果表明，通过将碎片化的工具整合进一个凝聚的系统中，使癌症遗传学的解读变得更加一致、快速且可靠是完全可能的。
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。