تفسیر واریانت‌های بیماری‌زا و خوش‌خیم

تفسیر واریانت‌ها فرآیندی است که طی آن مشخص می‌شود آیا تغییر DNA احتمالاً باعث بیماری می‌شود یا بی‌ضرر است. رویکرد استاندارد، هر واریانت توالی را در یکی از پنج سطح، از خوش‌خیم تا بیماری‌زا، با سنجش شواهد مستقل متعدد به جای تکیه بر یک ویژگی واحد، قرار می‌دهد. همین چارچوب زیربنای گزارش‌دهی بالینی مدرن از بیماری‌زایی واریانت‌ها است.

Definition

تفسیر واریانت، تخصیص ساختاریافته یک واریانت توالی به یکی از پنج دسته بیماری‌زایی با ترکیب خطوط شواهد وزن‌دار بر اساس یک چارچوب طبقه‌بندی استاندارد شده است.

Scope

این موضوع شامل طرح طبقه‌بندی پنج‌سطحی (خوش‌خیم، احتمالاً خوش‌خیم، اهمیت نامشخص، احتمالاً بیماری‌زا، بیماری‌زا)، دسته‌های شواهد مورد استفاده (فراوانی جمعیت، پیش‌بینی‌های محاسباتی، مطالعات عملکردی، تفکیک، وقوع دِنوو، و سایر موارد)، قوانین ترکیب قدرت شواهد، و اصلاحاتی مانند بازفرمولاسیون بیزی معیارها و راهنمایی‌های ژن‌خاص می‌شود. واریانت‌های تعداد کپی از طریق یک استاندارد موازی تفسیر می‌شوند. این بحث روش‌شناختی است و دستورالعمل مدیریت بالینی را ارائه نمی‌دهد.

Core questions

• چه دسته‌هایی از شواهد نشان می‌دهند که یک واریانت بیماری‌زا است یا خوش‌خیم؟
• معیارهای شواهد چگونه وزن‌دهی و در یک طبقه‌بندی نهایی ترکیب می‌شوند؟
• پنج سطح چگونه با یکدیگر و با قطعیت مرتبط هستند؟
• انواع واریانت‌های خاص، مانند واریانت‌های تعداد کپی و از دست دادن عملکرد، چگونه مدیریت می‌شوند؟

Key concepts

• طبقه‌بندی پنج‌سطحی (خوش‌خیم تا بیماری‌زا)
• معیارهای شواهد و قدرت آنها
• فراوانی آلل در جمعیت
• شواهد محاسباتی و عملکردی
• شواهد تفکیک و دِنوو
• تفسیر از دست دادن عملکرد (PVS1)
• تفسیر واریانت تعداد کپی

Key theories

چارچوب بیزی برای طبقه‌بندی واریانت

قوانین ترکیبی ACMG/AMP را می‌توان به عنوان یک سیستم ذاتاً بیزی مدل‌سازی کرد که در آن هر معیار شواهد، نسبت شانس بیماری‌زایی وزن‌دهی شده بر اساس قدرت را ارائه می‌دهد و قوانین کیفی را به احتمالات پسین کمی تبدیل می‌کند.

Mechanisms

هر واریانت در برابر مجموعه‌ای تعریف‌شده از معیارهای شواهد ارزیابی می‌شود، از جمله فراوانی آن در جمعیت‌های مرجع، پیش‌بینی‌های محاسباتی اثر، داده‌های عملکردی تجربی، هم‌تفکیکی با بیماری در خانواده‌ها، و وقوع دِنوو؛ هر معیار دارای یک قدرت (حمایت‌کننده، متوسط، قوی، بسیار قوی) و یک جهت (به سمت بیماری‌زا یا خوش‌خیم) است، و قوانین ترکیبی، شواهد انباشته‌شده را به یکی از پنج سطح نگاشت می‌کنند (ریچاردز و همکاران، 2015). کارهای بعدی این قوانین کیفی را به عنوان یک چارچوب بیزی بازفرموله کردند و نشان دادند که قدرت معیارها با نسبت‌های شانس ضربی مطابقت دارد و یک احتمال پیوسته زیربنایی از بیماری‌زایی را به دست می‌دهد (تاوتیگیان و همکاران، 2018). راهنمایی‌های تخصصی معیارهای دشوار را اصلاح می‌کنند، مانند نحوه اعمال قانون بسیار قوی از دست دادن عملکرد (ابو طایون و همکاران، 2018)، در حالی که واریانت‌های تعداد کپی در برابر یک استاندارد فنی موازی امتیازدهی می‌شوند (ریگز و همکاران، 2020).

Clinical relevance

طبقه‌بندی واریانت تعیین می‌کند که یک آزمایشگاه چگونه یافته‌ای را گزارش می‌کند و بنابراین نحوه درک نتایج ژنتیکی در مشاوره و ارزیابی شواهد را شکل می‌دهد. این موضوع نحوه قضاوت و گزارش بیماری‌زایی را توصیف می‌کند؛ این یک گزارش مرجع از فرآیند طبقه‌بندی است و نه راهنمایی برای اقدام بر اساس یک نتیجه خاص.

History

قبل از استانداردسازی، آزمایشگاه‌ها از طرح‌های ناهمگون و اغلب غیرقابل مقایسه برای نامیدن واریانت‌ها به عنوان بیماری‌زا یا خوش‌خیم استفاده می‌کردند. توصیه اجماع ACMG/AMP در سال 2015 یک چارچوب پنج‌سطحی مشترک و قوانین ترکیب شواهد را ایجاد کرد (ریچاردز و همکاران، 2015). سپس این حوزه آن را اصلاح کرد: بازفرمولاسیون بیزی به قوانین یک پایه کمی داد (تاوتیگیان و همکاران، 2018)، توصیه‌های خاص معیار و خاص ژن به مشکلات مکرر پرداختند (ابو طایون و همکاران، 2018)، و استانداردهای موازی برای واریانت‌های تعداد کپی صادر شد (ریگز و همکاران، 2020).

Debates

معیارهای شواهد چگونه باید وزن‌دهی و کمی‌سازی شوند؟

اینکه آیا قدرت‌های کیفی معیارها باید با آستانه‌های کمی صریح جایگزین یا تکمیل شوند، و نحوه کالیبره کردن شواهد محاسباتی و عملکردی، یک حوزه فعال باقی مانده است، با مدل‌سازی بیزی که یک مسیر به سوی سازگاری ارائه می‌دهد.

از دست دادن عملکرد چقدر باید با احتیاط بیماری‌زا نامیده شود؟

اعمال معیار بسیار قوی از دست دادن عملکرد مستلزم تأیید این است که از دست دادن عملکرد یک مکانیسم بیماری‌زا شناخته شده برای ژن است و اثر پیش‌بینی شده واقعی است، که قوانین دقیقی را برای جلوگیری از طبقه‌بندی بیش از حد ضروری می‌سازد.

Key figures

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

Seminal works

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

Frequently asked questions

پنج دسته طبقه‌بندی واریانت کدامند؟

خوش‌خیم، احتمالاً خوش‌خیم، اهمیت نامشخص، احتمالاً بیماری‌زا، و بیماری‌زا. یک واریانت با ترکیب چندین خط مستقل از شواهد، به جای هر مشاهده واحد، در یک سطح قرار می‌گیرد.

چرا معمولاً هیچ یک از شواهد به تنهایی کافی نیست؟

هر نوع شواهد محدودیت‌هایی دارد، بنابراین چارچوب مستلزم ترکیب معیارهایی با قدرت و جهت تعریف شده است؛ این امر از تفسیر بیش از حد هر ویژگی، مانند یک پیش‌بینی محاسباتی یا صرفاً نادر بودن، جلوگیری می‌کند.