ScholarGate
Asistente

Interpretación de variantes patogénicas y benignas

La interpretación de variantes es el proceso de decidir si un cambio en el ADN es probable que cause una enfermedad o es inofensivo. El enfoque estándar clasifica cada variante de secuencia en uno de cinco niveles, desde benigno hasta patogénico, sopesando múltiples líneas de evidencia independientes en lugar de depender de una sola característica. El mismo marco subyace a la notificación clínica moderna de la patogenicidad de las variantes.

Encontrar tema con PaperMindPróximamenteFind papers & topics
Tools & resources
Descargar diapositivas
Learn & explore
VídeoPróximamente

Definition

La interpretación de variantes es la asignación estructurada de una variante de secuencia a una de cinco categorías de patogenicidad, combinando líneas de evidencia ponderadas según un marco de clasificación estandarizado.

Scope

El tema abarca el esquema de clasificación de cinco niveles (benigno, probablemente benigno, significado incierto, probablemente patogénico, patogénico), las categorías de evidencia utilizadas (frecuencia poblacional, predicciones computacionales, estudios funcionales, segregación, ocurrencia de novo y otras), las reglas para combinar las fortalezas de la evidencia y refinamientos como la reformulación bayesiana de los criterios y la guía específica de genes. Las variantes de número de copia se interpretan a través de un estándar paralelo. El tratamiento es metodológico y no proporciona una dirección para el manejo clínico.

Core questions

  • ¿Qué categorías de evidencia informan si una variante es patogénica o benigna?
  • ¿Cómo se ponderan y combinan los criterios de evidencia en una clasificación final?
  • ¿Cómo se relacionan los cinco niveles entre sí y con la certeza?
  • ¿Cómo se manejan los tipos de variantes especiales, como las variantes de número de copia y de pérdida de función?

Key concepts

  • Clasificación de cinco niveles (de benigno a patogénico)
  • Criterios de evidencia y sus fortalezas
  • Frecuencia alélica poblacional
  • Evidencia computacional y funcional
  • Evidencia de segregación y de novo
  • Interpretación de pérdida de función (PVS1)
  • Interpretación de variantes de número de copia

Key theories

Marco bayesiano para la clasificación de variantes
Las reglas de combinación de ACMG/AMP pueden modelarse como un sistema naturalmente bayesiano en el que cada criterio de evidencia contribuye con una probabilidad de patogenicidad ponderada por la fuerza, formalizando las reglas cualitativas en probabilidades posteriores cuantitativas.

Mechanisms

Cada variante se evalúa según un conjunto definido de criterios de evidencia, incluyendo su frecuencia en poblaciones de referencia, predicciones computacionales de efecto, datos funcionales experimentales, cosegregación con la enfermedad en familias y ocurrencia de novo; cada criterio posee una fuerza (de apoyo, moderada, fuerte, muy fuerte) y una dirección (hacia patogénico o benigno), y las reglas de combinación asignan la evidencia acumulada a uno de los cinco niveles (Richards et al., 2015). Trabajos posteriores reformularon estas reglas cualitativas como un marco bayesiano, mostrando que las fortalezas de los criterios corresponden a probabilidades multiplicativas y producen una probabilidad continua subyacente de patogenicidad (Tavtigian et al., 2018). La guía especializada refina criterios difíciles, como la forma de aplicar la regla de pérdida de función muy fuerte (Abou Tayoun et al., 2018), mientras que las variantes de número de copia se puntúan según un estándar técnico paralelo (Riggs et al., 2020).

Clinical relevance

La clasificación de variantes determina cómo un laboratorio informa un hallazgo y, por lo tanto, moldea cómo se entienden los resultados genéticos en el asesoramiento y la evaluación de la evidencia. El tema describe cómo se juzga y se informa la patogenicidad; es una descripción de referencia del proceso de clasificación y no una guía para actuar sobre un resultado específico.

History

Antes de la estandarización, los laboratorios utilizaban esquemas heterogéneos y a menudo incomparables para clasificar las variantes como patogénicas o benignas. La recomendación de consenso de 2015 de ACMG/AMP estableció un marco compartido de cinco niveles y reglas de combinación de evidencia (Richards et al., 2015). Posteriormente, el campo lo refinó: la reformulación bayesiana dio a las reglas una base cuantitativa (Tavtigian et al., 2018), las recomendaciones específicas de criterios y de genes abordaron dificultades recurrentes (Abou Tayoun et al., 2018), y se emitieron estándares paralelos para las variantes de número de copia (Riggs et al., 2020).

Debates

¿Cómo deben ponderarse y cuantificarse los criterios de evidencia?
Si las fortalezas cualitativas de los criterios deben ser reemplazadas o complementadas por umbrales cuantitativos explícitos, y cómo calibrar la evidencia computacional y funcional, sigue siendo un área activa, con el modelado bayesiano ofreciendo una vía hacia la consistencia.
¿Con qué conservadurismo debe clasificarse como patogénica la pérdida de función?
La aplicación del criterio de pérdida de función muy fuerte requiere confirmar que la pérdida de función es un mecanismo de enfermedad establecido para el gen y que el efecto predicho es real, lo que impulsa reglas detalladas para evitar la sobreclasificación.

Key figures

  • Sue Richards
  • Heidi Rehm
  • Sean Tavtigian
  • Leslie Biesecker

Related topics

Seminal works

  • richards-2015
  • tavtigian-2018
  • riggs-2020

Frequently asked questions

¿Cuáles son las cinco categorías de clasificación de variantes?
Benigna, probablemente benigna, de significado incierto, probablemente patogénica y patogénica. Una variante se clasifica en un nivel combinando varias líneas de evidencia independientes en lugar de una sola observación.
¿Por qué una sola pieza de evidencia no suele ser suficiente?
Cada tipo de evidencia tiene limitaciones, por lo que el marco requiere combinar criterios de fuerza y dirección definidas; esto protege contra la sobreinterpretación de cualquier característica, como una predicción computacional o la rareza por sí sola.

Methods for this concept

Related concepts