Subscribe to DeepL Pro to translate larger documents.

De La Vega ve diğerleri Genom Tıbbı Visit13:153

(2021) www.DeepL.com/pro for more information.

https://doi.org/10.1186/s13073-021-00965-0

ARAŞTIRMA
Açık Erişim

Yapay zeka, nadir genetik hastalıklar için

kapsamlı genom yorumlamasına ve aday
tanıların belirlenmesine olanak sağlıyor
Francisco M. De La Vega1,2,3 , Shimul Chowdhury4 , Barry Moore5 , Erwin Frise1 , Jeanette McCarthy1 ,
Edgar Javier Hernandez5 , Terence Wong4 , Kiely James4 , Lucia Guidugli4 , Pankaj B. Agrawal6,7 , Casie A. Genetti6 ,
Catherine A. Brownstein6 , Alan H. Beggs6 , Britt-Sabina Löscher8 , Andre Franke8 , Braden Boone9 , Shawn E. Levy9
, Katrin Õunap10,11 , Sander Pajusalu10,11 , Matt Huentelman12 , Keri Ramsey12 , Marcus Naymik12 , Vinodh Narayanan12
, Narayanan Veeraraghavan4 , Paul Billings1 , Martin G. Reese1* , Mark Yandell1,5* ve Stephen F. Kingsmore4

Özet
Arka plan: Genetik varyantların hastanın fenotipi bağlamında klinik olarak yorumlanması, nadir genetik hastalıkların
genom temelli teşhisi için maliyet ve zaman harcamalarının en büyük bileşeni haline gelmektedir. Yapay zeka (AI),
tahmin yöntemlerini artan genetik hastalık bilgisi ile entegre ederek genom yorumlamasını büyük ölçüde
basitleştirme ve hızlandırma vaadinde bulunmaktadır. Burada, genom yorumlamasını hızlandırmak için yeni, yapay
zeka tabanlı bir klinik karar destek aracı olan Fabric GEM'in tanısal performansını değerlendiriyoruz.
Yöntemler: GEM'i, tüm genom veya tüm ekzom dizilemesi (WGS, WES) yapılan ve nadir genetik hastalık tanısı
konan, çoğu YYBÜ bebeği olan 119 probanddan oluşan retrospektif bir kohortta karşılaştırdık. Analizlerimizi beş
akademik tıp merkezinden toplanan 60 vakadan oluşan ayrı bir kohortta tekrarladık. Karşılaştırma için, bu vakaları
güncel son teknoloji varyant önceliklendirme araçlarıyla da analiz ettik. Karşılaştırmalara trio, duo ve singleton vakalar
dahil edilmiştir. Tanıların temelini oluşturan varyantlar, yapısal varyantlar (SV'ler) da dahil olmak üzere çeşitli kalıtım
modlarını ve türlerini kapsamaktadır. Hasta fenotipleri klinik notlardan iki yolla çıkarılmıştır: manuel olarak ve
otomatik bir klinik doğal dil işleme (CNLP) aracı kullanılarak. Son olarak, daha önce çözülmemiş 14 vaka yeniden analiz
edilmiştir.

* Yazışmalar: mreese@fabricgenomics.com; myandell@genetics.utah.edu

1
Fabric Genomics Inc., Oakland, CA, ABD
Yazar bilgilerinin tam listesi makalenin sonunda mevcuttur

© Yazar(lar). 2021 Açık Erişim Bu makale Creative Commons Attribution 4.0 Uluslararası Lisansı altında lisanslanmıştır, orijinal
yazar(lar)a ve kaynağa uygun şekilde atıfta bulunduğunuz, Creative Commons lisansına bir bağlantı verdiğiniz ve değişiklik
yapılıp yapılmadığını belirttiğiniz sürece herhangi bir ortam veya formatta kullanım, paylaşım, uyarlama, dağıtım ve
çoğaltmaya izin verir. Bu makalede yer alan görseller veya diğer üçüncü taraf materyalleri, aksi belirtilmediği sürece,
makalenin Creative Commons l i s a n s ı n a dahildir. Materyal, makalenin Creative Commons l i s a n s ı n a d a h i l
d e ğ i l s e ve kullanım amacınız yasal düzenlemeler tarafından izin verilmiyorsa veya izin verilen kullanımı aşıyorsa, doğrudan
telif hakkı sahibinden izin almanız gerekecektir. Bu lisansın bir kopyasını görüntülemek için şu adresi ziyaret edin:
http://creativecommons.org/licenses/by/4.0/. Creative Commons Public Domain Dedication feragatnamesi
(http://creativecommons.org/publicdomain/zero/1.0/), verilere ilişkin bir kredi satırında aksi belirtilmedikçe, bu makalede
kullanıma sunulan v e r i l e r için geçerlidir.
De La Vega ve diğerleri Genom Tıbbı (2021) 13:153 Sayfa 2
19'un

Sonuçlar: GEM, nedensel genlerin %90'ından fazlasını birinci veya ikinci adaylar arasında sıraladı ve manuel olarak
küratörlüğünü yapılan veya CNLP'den türetilen fenotip açıklamalarını kullanarak vaka başına ortalama 3 aday geni
inceleme için önceliklendirdi.
Üçlü ve ikili sıralaması tekli olarak analiz edildiğinde değişmemiştir. Tanısal SV'leri olan 20 vakanın 17'sinde GEM, SV
çağrılarının sağlanıp sağlanmadığına veya GEM tarafından kendi dahili SV tespit algoritması kullanılarak ab initio
olarak çıkarılıp çıkarılmadığına bakılmaksızın, nedensel SV'leri en iyi aday olarak ve 19/20'sinde ilk beş içinde
tanımlamıştır. GEM, ebeveyn genotiplerinin yokluğunda da benzer performans göstermiştir. Daha önce çözülmemiş
14 vakanın analizi, bir vaka için yeni bir bulguyla sonuçlanmış, 3 vaka için manuel inceleme sonucunda adaylar
ilerletilmemiş ve 10 vaka için yeni bulgu elde edilmemiştir.
Sonuçlar: GEM, son inceleme ve raporlama için çok kısa bir aday gen ve bozukluk listesinin otomatik olarak aday
gösterilmesi yoluyla tüm varyant türlerini içeren tanısal yorumlamayı mümkün kılmıştır. CNLP ile derin fenotipleme
ile birlikte GEM, genetik hastalık tanısının önemli ölçüde otomasyonunu sağlayarak potansiyel olarak maliyeti
düşürür ve vaka incelemesini hızlandırır.

Arka plan Genom yorumlama süreci, hastalığa neden olan aday

Genomik tıbbın temel ilkelerinden biri, semptomlara
dayalı teşhis ve tedavilerin genetik teşhisler ve genotip
farklılaştırılmış tedavilerle desteklendiğinde sonuçların
iyileştiğidir. Dünya çapında her yıl tahminen 7 milyon
bebek ciddi genetik bozukluklarla doğmaktadır [1]. Son on
yılda Mendel koşullarıyla ilişkili genlerin kataloğunda
büyük bir artış yaşanmıştır. 2010 yılında yaklaşık 2300 olan
bu sayı [2], 2020 yılı sonunda 6700'ün üzerine çıkmıştır [3].
Bu bilginin WES ve WGS'deki büyük gelişmeler ve aşağı
akış analitik boru hatlarıyla birlikte tercüme edilmesi, tek
gen testleriyle yaklaşık %10 olan tanı oranlarının %50'nin
üzerine çıkmasını sağlamıştır [4]. Okuma hizalama ve
varyant arama sınırlamaları, WES ve WGS'nin ilk klinik
uygulamalarında büyük engeller oluştururken [5],
algoritmik gelişmeler, donanım hızlandırma ve bulut
bilişim yoluyla paralelleştirme ile büyük ölçüde ortadan
kaldırılmıştır [6, 7]. Bununla birlikte, genetik varyantların
hastanın fenotipi bağlamında klinik olarak yorumlanması
büyük ölçüde manuel ve son derece emek yoğun olmaya
devam etmekte ve yüksek eğitimli uzman girdisi
gerektirmektedir. Bu durum, yaygın olarak
b e n i m s e n m e s i n i n önünde büyük bir engel
olmaya devam etmekte ve tanısal ve klinik fayda v e
maliyet etkinliğine ilişkin güçlü kanıtlara rağmen genetik
bozukluk şüphesi olan hastalarda genomik test oranlarının
düşük kalmasına katkıda bulunmaktadır [8].
Nadir genetik hastalıkların genom temelli teşhisi için en
büyük zorluk, her genomda yaklaşık dört milyon iyi huylu
varyant arasında hastalığa neden olduğu varsayılan bir
varyantı tanımlamaktır; bu, samanlıkta iğne aramaya
benzer bir sorundur [9]. Klinik genom yorumlaması,
zorunlu olarak, yüksek eğitimli, az sayıda gen analisti,
genetik danışman ve laboratuvar direktörü tarafından
gerçekleştirilmektedir [10]. Vaka başına incelene c e k
ortalama 100 varyant için [11] bu, hasta başına 50-100
saatlik uzman incelemesi anlamına gelir [10]. Pratikte bu,
vaka başına yalnızca yaklaşık 10 varyantın incelenmesine
yol açmıştır ki bu da genom çapında dizilemenin amacını
bir şekilde boşa ç ı k a r m a k t a d ı r .
varyantların kanıta dayalı incelemesi ile birlikte iteratif
varyant filtrelemesinden oluşur [12]. Bu süreç, Annovar
[13] ve VAAST [14] gibi varyant önceliklendirme
algoritmaları ortaya çıkana kadar neredeyse tamamen
manueldi ve daha sonra Phevor [15], Exo- miser [16],
Phen-Gen [17], Phenolyzer [18] ve son zamanlarda Amelie
[19] gibi analizlere hasta fenotiplerinin entegre edilmesiyle
geliştirildi. Bu araçlar inceleme sürelerini hızlandırsa da,
kısmen yapısal değişkenleri (SV'ler) uygun şekilde
yorumlayamamaları nedeniyle, tek başlarına
performansları yaygın klinik benimseme için yeterli
olmamıştır. SV'ler Mendel hastalıklarının
%10'undan fazlasını [20, 21] ve rutin yenidoğan yoğun
bakım ünitesi (NICU) [22] ve pediatrik hastalardaki
tanıların yaklaşık %20'sini [23] oluşturmaktadır. SV'lerin,
SNV'lerin ve küçük indellerin önceliklendirilmesi için
birleştirilmiş yöntemler, genom yorumlamasının daha fazla
otomasyonu için temel bir gerekliliktir.
Yapay zeka (AI) kullanımı sağlık hizmetlerinde önemli
ilerlemeler kaydetmiştir [24] ve yeni bir genetik yorumlama
yöntemleri sınıfı [19, 25-28], elektronik klinik karar destek
sistemleri (eCDSS) aracılığıyla nadir genetik hastalık teşhisi
için yorumlama darboğazını ortadan kaldırma vaadiyle
geliştirilmektedir [29]. Yorumlama hızı ve doğruluğu,
yaşamın ilk 24-48 saatinde teşhisin sağlık sonuçlarını en
üst düzeyde iyileştirdiği gösterilen [27] YYBÜ'deki ağır
hasta çocuklar için özellikle önemlidir [30]. YZ'nin hangi
ortamlarda ve ne ölçüde tanıyı kolaylaştırdığı halen
araştırılmaktadır [27, 28]. Sorunlar arasında ne tür YZ
yöntemlerinin en uygun olduğu (örneğin Bayesian ağları,
karar ağaçları, sinir ağları [31]); doğruluk açısından mevcut
varyant önceliklendirme yaklaşımlarıyla nasıl
karşılaştırıldıkları; farklı klinik senaryolar ve varyant türleri
arasında tanı performansları; yeni karar desteği biçimleri
sunma potansiyelleri ve otomatik hasta fenotipleme ve
klinik karar verme ile ne kadar iyi entegre oldukları yer
almaktadır [27, 28, 32].
De La Vega ve diğerleri Genom Tıbbı (2021) 13:153
Bu alanda algoritmik kıyaslama yapmak basit bir iş
değildir. Şimdiye kadarki girişimlerin çoğunda simüle
edilmiş vakalar (referans ekzomlara ve genomlara bilinen
hastalığa neden olan varyantlar eklenerek oluşturulmuş)
kullanılmış, sadece birkaç vaka dahil edilmiş, tek bir
merkezden elde edilmiş veya belirli varyant türleriyle sınırlı
kalmıştır [17, 33, 34]. Bu tür kıyaslamalar, genetik
hastalıkların ve varyant türlerinin gerçek çeşitliliğini temsil
etmediğinden (örneğin, nedensel SV'lere sahip vakaları
hariç tutarak) ve farklı dizileme ve v a r y a n t arama
işlem hatlarının performans üzerindeki etkisini
değerlendirmek için hiçbir yol sağlamadığından, doğası
gereği sınırlıdır.
Burada, yeni bir yapay zeka tabanlı eCDSS olan Fabric
GEM'in (bundan sonra "GEM" olarak anılacaktır) tanısal
performansını tanımlıyor ve Rady Çocuk Genomik Tıp
Enstitüsü'nden (RCIGM) çeşitli retrospektif pediatrik vaka
kohortu kullanarak mevcut varyant önceliklendirme
yaklaşımlarıyla karşılaştırıyoruz. Bu vakalar büyük ölçüde
ağır hasta YYBÜ bebeklerinden oluşmaktadır; hepsine
WGS (veya birkaç vakada WES) sonrasında, filtreleme ve
varyant önceliklendirme yaklaşımlarının bir kombinasyonu
kullanılarak Mendel koşulları teşhisi konulmuştur. Bu
gerçek dünya vakaları, patojenik SV'ler de dahil olmak
üzere fenotiplerin ve hastalığa neden olan varyantların
genişliğini kapsamaktadır. Daha sonra GEM'in diyagnostik
performansını, YYBÜ dışındaki etkilenmiş, tanı konmuş ve
tanı konmamış çocuklardan oluşan ikinci bir grupta
tekrarlamaya çalıştık. GEM'in tanısal performansının diğer
dizileme, varyant arama hatları ve klinik ortamlara
genellenebilirliğini incelemek i ç i n , çoğu WES'ten oluşan
beş farklı akademik t ı p merkezinden toplandılar. Son
olarak, GEM'in zaman alıcı vaka incelemelerine yol açacak
çok sayıda yanlış pozitif önermeden yeni tanıları belirleme
yeteneğini değerlendirmek için daha önce n e g a t i f olan
bir dizi RCIGM vakasını yeniden analiz ettik. Sonuçlarımız,
yeni veri modalitelerinin yapay zekanın mümkün kıldığı
algoritmik yeniliklerle entegrasyonu sayesinde hızlı, doğru
ve kapsamlı WGS ve WES tabanlı tanının mümkün
olduğunu göstermektedir.
Yöntemler
Hasta seçimi, fenotipleme ve numune dizileme Bu
retrospektif çalışma, GEM eCDSS'yi test etmek i ç i n
kıyaslama verileri sağlamak üzere tasarlanmıştır. Rady
Çocuk Hastanesi'nden (Kıyaslama kohortu) çoğunlukla
YYBÜ başvurularından oluşan 119 vaka ve beş akademik
tıp merkezinden (Doğrulama kohortu) çoğunlukla genetik
kliniklerden gelen başvurulardan oluşan ve hiçbiri aşağıda
açıklandığı gibi nedensel yapısal varyantlar içermeyen 60
ek vaka derledik.
Rady Çocuk Hastanesi
Toplamda, daha önce yayınlanmış yöntemler [27, 30, 35]
kullanılarak kesin olarak çözüldüğü düşünülen birincil
bulgulara sahip 119 vaka ve 14 negatif vaka, bu çalışmanın
bir parçası olarak dizilenmiştir.
Sayfa 3
19'un
Rady Çocuk Hastanesi Klinik Genom Merkezi'ndeki hızlı-
WGS (rWGS) dizileme programı. Bu vakalar, 26 Temmuz
2016 ile 25 Eylül 2018 tarihleri arasında Rady Çocuk
Hastanesi, San Diego, ABD'de rWGS'nin tanı oranını,
tanıya kadar geçen süreyi, tanının klinik faydasını,
sonuçlarını ve sağlık hizmeti kullanımını inceleyen daha
önce yayınlanmış dört çalışmaya kaydolan ilk semptomatik
çocuklardan alınan uygun bir örneklemdir. Çalışmalardan
biri genom ve ekzom sekanslama ile ilgili kontrollü bir
çalışmaydı (ClinicalTrials.gov tanımlayıcı: NCT03211039)
[30]; diğerleri ise kohort çalışmalarıydı (ClinicalTrials.gov
tanımlayıcılar: NCT02917460 ve NCT03385876) [35-40].
Tümü
Denekler, genetik bir bozukluktan şüphelenilen, Rady
Çocuk Hastanesi Epic EHR'ye sahip olan ve hem
klinisyenler tarafından manuel olarak küratörlüğünü
yapılan hem de CNLP tarafından otomatik olarak çıkarılan
insan fenotipi ontoloji terimleri olarak ifade edilen klinik
fenotip tanımlarına sahip olan, etiyolojisi bilinmeyen
semptomatik bir hastalığa sahipti (Ek dosya 1: Tablo S1).
WGS (veya birkaç örnekte WES) daha önce açıklandığı
gibi gerçekleştirilmiştir [35, 40]. Kısaca, PCR içermeyen
WGS, Illu- mina HiSeq 2000, HiSeq 4000 ve NovaSeq 6000
sekanslayıcılarında ortalama 40× kapsama alanına kadar
gerçekleştirilmiştir. Hizalama ve dizi varyantı arama
Illumina DRAGEN yazılımı kullanılarak gerçekleştirilirken,
kopya sayısı varyasyonu Manta [41] ve CNVna- tor [42]
araçlarını entegre eden bir yaklaşımla tanımlanmıştır.
Yapısal varyantlar daha sonra önceki etkilenmemiş
vakalarda gözlemlenen tekrarlayan artefaktlar için
filtrelenmiş ve yalnızca bilinen bir hastalık geniyle (OMIM)
örtüşmeleri halinde girdi VCF dosyasına dahil edilmiştir.
Birincil bulgu olarak yeniden port edilen tüm varyantlar
Sanger sekanslama ile ortogonal olarak doğrulanmıştır.
Üçlü vakalarda, bildirilen varyantların de novo ori- ginliği
ebeveynlerinin verileriyle karşılaştırılarak belirlenmiştir.
Bazı eski vakalarda SV araması yapılmamıştır; buradaki
herhangi b i r nedensel SV, ortogonal CGH mikro dizisi
veya hizalamaların manuel olarak incelenmesi ile
tanımlanmıştır. Aşağıda, birincil bulguları olan bu 119
vakadan Kıyaslama kohortu, 14 negatif vakadan ise
Çözülmemiş kohort olarak bahsedeceğiz.
Boston Çocuk Hastanesi
Beggs Laboratuvarı, Konjenital Miyopati Araştırma
Programı laboratuvarı ve Boston Çocuk Hastanesi Manton
Yetim Hastalıkları Araştırma Merkezi'nden on bir vaka
(hepsi tek proband) analize dahil edilmiştir [43- 48].
Kütüphaneler (TruSeq DNA v2 Örnek Hazırlama kiti;
Illumina, San Diego, CA) ve tüm ekzom yakalama (EZ
Exome 2.0, Roche), kan örneklerinden çıkarılan DNA'dan
üretici protokollerine göre gerçekleştirilmiştir. WES bir
Illumina HiSeq 2000 üzerinde gerçekleştirilmiştir.
Okumalar GRCh37/hg19 insan genomuna hizalandı
De La Vega ve diğerleri Genom Tıbbı (2021) 13:153
kurum içi bir birleştirici kullanılarak birleştirilmiştir.
Varyantlar Gen Analiz Araç Seti (GATK) sürüm 3.1 veya
üstü (Broad Institute, Cambridge, MA) kullanılarak
çağrılmış ve Boston Çocuk Hastanesi IDDRC Moleküler
Genetik Çekirdek Tesisi tarafından Sanger ile
doğrulanmıştır.
Kiel Christian-Albrechts Üniversitesi
Klinik Moleküler Biyoloji Enstitüsü'nden (IKMB) on iki
vaka (hepsi tek proband) analize dahil edilmiştir [49-55].
Illumina'nın Nextera/TruSeq whole-exome target cap-
ture yöntemi uygulanmıştır. WES Illumina HiSeq/NovaSeq
platformlarında gerçekleştirilmiştir. Okumalar BWA-
MEM sürüm 0.7.17 kullanılarak GRCh37/hg19 insan
genomu derlemesine hizalanmış ve varyantlar GATK
sürüm 4.1.6.0 (Broad Institute, Cambridge, MA)
kullanılarak çağrılmıştır.
HudsonAlpha Biyoteknoloji Enstitüsü
HudsonAlpha Biyoteknoloji Enstitüsü Klinik Hizmetler
Laboratuvarından üç vaka (iki üçlü ve tek bir proband),
Klinik Se- quencing Kanıt Oluşturan Araştırma (CSER)
konsorsiyumundan vakalar da dahil olmak üzere analize
dahil edilmiştir [56-59].
WGS bir Illumina HiSeq X üzerinde gerçekleştirilmiştir.
Okumalar GRCh37/hg19 insan genomuna as- sembly
hizalanmış ve ardından Illumina DRAGEN yazılımı sürüm
3.2.8 (Illumina, Inc. San Diego, CA) kullanılarak varyant
çağrısı yapılmıştır.
Translasyonel Genomik Araştırma Enstitüsü
Translasyonel Genomik Araştırma Enstitüsü'ndeki (TGen)
Nadir Çocukluk Çağı Hastalıkları Merkezi'nden yirmi üç
vaka (tekli, ikili, üçlü ve dörtlü dahil) analize dahil
edilmiştir [60, 61].
WES veya WGS sekanslama Illu- mina HiSeq 2000,
HiSeq 2500, HiSeq 4000 veya Nova- Seq6000 üzerinde
gerçekleştirilmiştir. WES için Agilent SureSelect Human
All Exon V6 veya CRE V2 hedef yakalama yöntemi
uygulanmıştır. Okumalar GRCh37 versiyonu hs37d5
referansına hizalanmış ve varyantlar GATK Haplotype
caller versiyon 3.3-0-g37228af (Broad Institute, Cambridge,
MA) kullanılarak çağrılmıştır.
Tartu Üniversite Hastanesi
Estonya'daki Tartu Üniversite Hastanesi'nden WES
uygulanan on bir vaka analize dahil edilmiştir [62-64].
Nextera Rapid Capture Exome Kit-i (Illumina Inc.) tar-
get yakalama yöntemi uygulanmıştır. WES Illumina
HiSeq2500 sekanslayıcıda gerçekleştirilmiştir. Okumalar
BWA-MEM sürüm 0.5.9 kullanılarak GRCh37/hg19 insan
genomu derlemesine hizalanmış ve varyantlar GATK
Haplotype caller sürüm 3.4 (Broad Institute, Cambridge,
MA) kullanılarak çağrılmıştır.
Sayfa 4
19'un
Varyant ek açıklaması ve veri kaynakları
Tüm analizler GRCh37 insan genomu derlemesine dayalı
olarak gerçekleştirilmiştir. Varyant sonuçları ve
açıklamaları VEP v.95 [65] ile ENSEMBL transkript sürüm
95 (kodlamayan transkriptler hariç) kullanılarak ve analiz
için kanonik transkript seçilerek elde edilmiştir. Varyant
deleteriousness'ı değerlendirmek için transkripte özgü
tahmin VVP [66] ile hesaplandı ve bunlar VAAST [14] için
girdi olarak da kullanıldı. Varyantlar ClinVar (sürüm
20200419) [67] ile tam konum ve baz eşleşmesi sağlanarak
açıklanmıştır. Gen koşulları OMIM (sürüm 2020_07) [68]
ve HPO'dan ( 2020-08-11 tarihli obo dosyası) [69]
çıkarılmıştır. Gen sembolleri, ENSEMBL ve HGNC veri
tabanları kullanılarak eşanlamlı gen sembolleri kontrol
edilerek uyumlu hale getirilmiştir.
Yapay zeka tabanlı hastalık geni ve durum önceliklendirmesi
Aday hastalık genlerinin ve teşhis koşullarının yapay zeka
tabanlı önceliklendirilmesi ve puanlanması, Fabric
Enterprise platformunun (Fabric Genomics, Oakland, CA)
ticari olarak temin edilebilen bir eCDSS parçası olan Fabric
GEM [70] kullanılarak gerçekleştirilmiştir. GEM girdileri,
VCF formatındaki genetik değişken çağrıları ve (isteğe
bağlı) ebeveyn sevgi durumu ve İnsan Fenotip Ontolojisi
(HPO) terimleri biçimindeki hasta (pro- band) fenotipleri
dahil olmak üzere vaka meta verileridir. VCF dosyaları
"küçük varyantları" (tek nükleotid, çoklu nükleotid ve
küçük ekleme/silme varyantları) ve (isteğe bağlı olarak)
yapısal varyantları (50 bp'den fazla ekleme/silme, inver-
siyonlar ve/veya kesin olmayan uçlara sahip kopya sayısı
varyantları) içerebilir. Bu bilgiler bir uygulama
programlama arayüzü aracılığıyla veya kullanıcı
arayüzünde manuel olarak sağlanabilir. Veri analizi,
girdilere bağlı olarak tipik olarak dakikalar içinde
gerçekleştirilir. GEM çıktıları, GEM gen skoruna göre
sıralanmış aday genlerin bir listesini (aşağıya bakınız), her
aday gende bulunan hasta v a r y a n t l a r ı n ı n
ayrıntılı bilgilerini ve GEM'in koşul eşleşme (CM) skoruna
göre sıralanmış her aday genle ilişkili koşulları (aşağıda
açıklanmıştır) içeren etkileşimli bir raporda (Ek dosya 2:
Şekil S1) görüntülenir.
GEM, potansiyel olarak hasar görmüş genleri ve aday
hastalıkları puanlamak ve önceliklendirmek için Bayesian
yöntemlerini kullanarak genomik ve klinik veri tabanı ek
açıklamaları ile çoklu varyant önceliklendirme
algoritmalarından gelen girdileri bir araya getirir. Kısaca,
algoritma, probandın çağrılan varyantlarını tek seferlik,
çalışma zamanı eğitim verisi olarak kullanarak kendini
parametrize e d e r v e birden fazla değişkenin durumunu
doğrudan girdi varyant dağılımından (örneğin cinsiyet)
çıkarır. Ek statik eğitim parametreleri 1000 Genom Projesi
[71] ve CEPH [72] genom veri setlerinden elde edilmiştir.
GEM, genotip çağrılarını ve kalite puanlarını okuma
desteği, genomik konum, proband cinsiyeti ve potansiyel
olarak örtüşen SV'leri göz önünde bulundurarak yeniden
değerlendirir ve genotip çağrılarını daha incelikli posterior
olasılıklarla artırır,
De La Vega ve diğerleri Genom Tıbbı (2021) 13:153
her varyant için ploidi hesaplar. GEM ayrıca, gnomAD alt
popülasyon varyant frekans verileriyle birlikte girdi
genotiplerini kullanarak probandın birkaç farklı soy
grubundan herhangi birine ait olma olasılığını hesaplar
[73]. Her bir duruma (cinsiyet ve soy, vb.) koşullanan diğer
iç değişkenlerin olasılıkları daha sonra naif Bayes
kullanılarak elde edilir ve probandın verileri kullanılarak
çalışma zamanında bir korelasyon matrisi hesaplanarak
değişkenlerin bağımsızlığı kontrol edilir. Örneğin, varyant
skorlarını soy, söz konusu gen için bilinen kalıtım modeli,
gen konumu ve proband cinsiyeti üzerine
koşullandırdıktan sonra, GEM, de novo bir varyantın,
yüksek oranda zarar verici olduğu tahmin edilse bile,
hastalığa neden olan bir genotipe katılma ihtimalinin
düşük olduğu sonucuna varabilir. Dolayısıyla, yüksek
oranda zarar verici ve de novo varyantlar, hatta çerçeve
değiştirenler bile, otomatik olarak yüksek GEM puanları
almaz. GEM, bilinen ve yeni hastalık geni adayları için
biallelic ge- notipleri değerlendirmek ve puanlamak için
aynı prosedürü kullanır. Tek fark, yeni gen adaylarındaki
olası biallel vakaları değerlendirmek için o lokustaki belirli
bir kalıtım modeli için OMIM ve HPO desteği yerine
global önceliğin (örneğin, otozomal resesif ve otozomal
dominant kalıtım modellerine sahip bilinen hastalık
genlerinin göreceli oranı) kullanılmasıdır.
GEM'in gen skorları Bayes faktörleridir (BF) [74].
Olabilirlik oranı testine benzer şekilde, bir Bayes faktörü iki
modelin posterior olasılıkları arasındaki log10 oranını sunar
ve öncelikli genotipin bulunduğu gene zarar verdiği ve
probandın fenotipini açıkladığı hipotezine (bu durumda)
karşı, varyantın ne gene zarar verdiği ne de probandın
fenotipini açıkladığı hipotezi için göreceli desteği özetler.
Yerleşik en iyi uygulamaya [74] uygun olarak, 0 ile 0,69
a r a s ı n d a bir log10 Bayes faktörü orta düzeyde
destek, 0 , 69 ile 1,0 arasında önemli düzeyde destek, 1,0 ile
2.0 güçlü destek ve 2.0'ın üzerinde kesin destek. 0'dan
küçük bir puan, karşı hipotezin daha olası olduğunu
gösterir. Bayes posterior p(M|D)'yi hesaplamak için, bir
model (pD|M) verilen verilerin olasılığı, VAAST ve VVP
algoritmalarından gelen girdileri ve Clin- Var
veritabanından mevcut önceki varyant sınıflandırmalarını
içeren GEM'in ciddiyet puanlama protokolünden elde
edilir. Bu model cinsiyet, an- cestry, uygulanabilir kalıtım
modeli, gen konumu ve sağlanan hasta HPO terimlerinin
HPO ontoloji grafiğine tohumlanması ve Phevor'un
önceden tanımlanmış Bayesian ağ tabanlı algoritması [15]
kullanılarak inanç yayılımı yoluyla HPO ve GO
ontolojilerindeki tüm genler için alt sıralı olarak elde edilen
gen-fenotip öncelleri üzerine koşullandırılmıştır. Model
için öncelikli olasılık (pM), söz konusu gen ile OMIM
ve/veya HPO Mendel kon- disyonları veri tabanlarında
bilinen hastalık ilişkilerine dayanmaktadır.
Sayfa 5
19'un
GEM'in Bayes faktörüne dayalı puanlama sistemi,
açıklama kolaylığı ve yorumlamayı hızlandırmak için
tasarlanmıştır. GEM skorlarının kesin olması
amaçlanmamıştır, daha ziyade klinik genetikçiler
tarafından yürütülen kısa ve öz vaka incelemeleri için
rehberlik sağlamak üzere tasarlanmıştır. Bu nedenle, GEM
çıktıları ek rehberlik sağlayan ve açıklanabilirliği artıran
birkaç ek puan da içerir. Örneğin, GEM gen skorlarına
VAAST [14], VVP [66] ve Phevor [15] posterior prob-
yetenekleri eşlik etmekte, proband cinsiyeti, gen konumu
ve soy gibi potansiyel olarak kafa karıştırıcı değişkenlere
bağlı olarak, ortak varyant genomik ve klinik anno-
tasyonlarla birlikte koşullandırılmaktadır (Ek dosya 2: Şekil
S1). Bu s k o r l a r , kullanıcıların bir GEM skorunun
başlıca etkenlerini ve bunların skora olan göreceli
katkılarını değerlendirmelerine olanak tanıdığından
yorumlamayı daha da kolaylaştırmaktadır.
GEM ayrıca, hastalığa neden olduğu varsayılan genlerle
ilişkili Mendel koşullarını, koşul eşleşme (CM) puanları
aracılığıyla olası teşhisler olarak değerlendirmek için
araçlar sağlar. Gen skorları gibi, CM skorları da Bayes
faktörleridir ve belirli bir Mendel koşulunun HPO'su için
HPO fenotip ilişkilerinin, karşıt hipoteze karşı pro- bandın
fenotipi ile tutarlı olduğu posterior olasılığın log10
oranından türetilir. Bu hesaplamalar için verilerin olasılığı,
p(D|M), her bir hastalık için probandın fenotipine b a ğ l ı
bir olasılık elde etmek üzere Phevor'un Bayesian
algoritması kullanılarak belirlenir. Model için önceki
olasılık, p(M), Mendel hastalığı ile ilişkili bir veya daha fazla
genin (OMIM ve/veya HPO'da belgelendiği gibi) GEM'in
şiddet skorlama protokolü tarafından tespit edildiği gibi
zarar verici bir genotip içerme olasılığıdır. Durum eşleşme
puanları, inceleme için genle ilişkili her bir durumun
yanında görüntülenir (Ek dosya 2: Şekil S7).
GEM tarafından yapısal varyant puanlaması ve ab initio
çıkarımı Çalışma zamanında, GEM SNV'leri, sıralama indel
çağrılarını, okuma derinliklerini, zigosite ve gnomAD
frekans verilerini kullanarak SV'lerin varlığını,
koordinatlarını ve kopya sayılarını (ploidy) olasılıksal bir
şekilde ab initio olarak çıkarır. GEM, probandın
genotiplerinde üç tür SV kanıtı arar: delesyonlar,
duplikasyonlar ve CNV'ler. Örneğin heterozigotluk kaybı
(LOH) sergileyen bölgeler, heterozigot delesyonlar için
kanıt olarak kullanılır. Homo- zigot delesyonların imzası
olan beklenen varyantlardan yoksun genomik alanlar,
gnomAD popülasyon frekansları [73] kullanılarak, belirli
bir gnomAD varyantının popülasyon frekansı göz önüne
alındığında tespit edileceği veya edilmeyeceği nokta
tahminlerini türetmek i ç i n tanımlanır. İkilemeler ve
silmeler için daha fazla kanıt okuma desteğinden elde
edilir, örneğin, bir bölge boyunca derinlikteki yaklaşık
tamsayı artışlar veya azalmalar kopya sayısı varyasyonu için
destek sağlar. Küçük bir varyantın her bir bölgesinde nokta
tahminleri
De La Vega ve diğerleri Genom Tıbbı (2021) 13:153
Çağrılar, daha rafine tahminler elde etmek için genotip
nitelikleri gibi sağlanan değişkenlere ve cinsiyet ve soy
g i b i çıkarılan değişkenlere daha fazla koşullandırılır.
Yüksek puan alan segmentler ve bunların maksimum
olasılık başlangıç ve bitiş koordinatları bir Markov modeli
kullanılarak belirlenir [75]. Sonuçlar, harici SV çağrıları
için destek derecesini belirlemek i ç i n ve GEM'in kendi
SV çağrılarının temeli olarak kullanılır. Raporlama kolaylığı
için, harici bir SV çağrısı ile örtüşen ab initio SV
ç a ğ r ı l a r ı (varsayılan minimum karşılıklı örtüşme %33),
hala serbest puanlanan genlerle örtüştüğü sürece çıktıda
harici SV çağrısı ile değiştirilir.
VAAST, Phevor ve Exomiser ile varyant
önceliklendirmesinin kıyaslanması
Vakaları VAAST, Phevor ve Exomiser algoritmalarıyla
analiz eden bir iş akışı oluşturmak için Snakemake
yazılımını [76] kullandık. Bu iş akışı, dört genom
yorumlama aracının performansını tamamen aynı girdiler
ve ek açıklamalarla karşılaştırmamızı sağlamak için
yalnızca kıyaslama kohortuna uygulandı. İş akışı bir VCF
dosyası, aile yapısı, sevgi durumu ve HPO terimleriyle
başlar ve her b i r algoritma için çıktılarla sonlanır. VVP
skorları yukarıda açıklandığı şekilde elde edilmiş ve
VAAST'a girdi olarak sağlanmıştır. VAAST'a soyağacı
bilgileri ve sevgi durumu sağlanmış v e sonuçlar
toplanarak hem baskın hem de çekinik modlarda
çalıştırılmıştır. VAAST için gen sıralamaları, birleştirilmiş
çıktılardan genin en yüksek puan alan oluşumu için rapor
edilmiştir. Phevor'a girdi olarak HPO terimleri ve VAAST
puanları sağlanmıştır. Sıralamalar VAAST için belirtildiği
gibi seçilmiştir.
Exomiser [16] kıyaslama analizleri, 100.000 Genom
Projesinde [77] kullanılan aynı konfigürasyonla, özellikle
(1) GRCh37 genom assem- bly kullanılarak; (2) otozomal
ve X'e bağlı dom- inant ve resesif kalıtım formları analiz
edilerek; (3) 1000 Genom Projesi [78], TopMed [79],
UK10K [80], ESP, ExAC [81] ve gnomAD [73] alel frekans
kaynakları kullanılarak gerçekleştirilmiştir.
( Aşkenaz Yahudileri hariç); (4) REVEL [82] ve MVP [83]
patojenite kaynakları; ve (5) failedVariantFilter,
variantEffectFilter ( kodlamayan varyantları kaldır),
frequencyFilter with maxFre- quency = 2.0,
pathogenicityFilter with keepNonPatho- genic = true,
inheritanceFilter, omimPrioritiser ve hiPhivePrioritiser
adımları dahil.
Exomiser, kullanılan kalıtım modlarından herhangi biri
için aday olarak puanlandığında teşhis edilen geni
tanımlamış olarak kabul edilmiştir. Bu analizdeki araçların
hiçbirine bir hedef kalıtım modu verilmemiştir (bilinmediği
için) ve bu nedenle Exomiser için tanısal gen sıralaması,
tüm kalıtım modlarından gelen birleşik gen aday
listesindeki sıralamasından belirlenmiştir (yani, VAAST
için kullanılan aynı prosedür ve
Sayfa 6
19'un
PHEVOR). Aday genlerin birleştirilmiş listesindeki
sıralamalar, Exomiser combinedScore üzerindeki tüm
kalıtım modlarından gen düzeyindeki aday genlerin azalan
sırada sıralanmasıyla oluşturulmuş ve her aday gen yalnızca
ilk, en yüksek puanlı oluşumunda listeye eklenmiştir.
Exomiser varyant seviyesi puanlaması, adayların
belirlenmesi veya sıralama için dikkate alınmamıştır.
Kıyaslama kohortu üzerindeki tüm Exo- miser analizleri
tamamlanmış ve başarılı bir şekilde çıktı üretmiştir; ancak
18 vakada Exomiser gerçek pozitif tanı genini puanlanmış
bir aday olarak tanımlamamıştır (yani, çıktıda yer
almamıştır). VAAST kullanılan 4 vakada d a benzer bir
durum gözlenmiştir. Her iki araç için de bu vakalar yanlış
negatif olarak değerlendirilmiştir.
Klinik NLP'den elde edilen derin fenotiplerin etkisi
HPO terimlerinin faydası, kıyaslama kohortundaki tüm
analizlerin üç set HPO terimi ile yeniden çalıştırılmasıyla
araştırılmıştır. Bu analizlerin amacı ilk olarak GEM'in
fenotipleme hatalarına karşı ne kadar hassas olduğunu
belirlemek; ikinci olarak da CNLP tarafından türetilen
açıklamaların faydasını manuel olanlarla karşılaştırmaktı.
Her vaka için, vaka orijinal olarak çözüldüğünde analiz
ekibi tarafından manuel olarak küratörlüğünü yapılan HPO
terimlerini içeren bir HPO terimleri listesi sağlanmıştır.
CLiX ENRICH yazılımı (Clinithink, Alpharetta, GA)
kullanılarak vakayla ilgili klinik notların NLP analizinden
ikinci bir HPO terimleri seti oluşturulmuştur [28]. Her
vaka için rastgele bir HPO terim seti oluşturulmuş,
CliniThink analiz vakasındaki HPO terimlerinin sayısı sabit
tutulmuş ve alternatif terimler tüm örneklerdeki HPO
terimleri k ü l l i y a t ı n d a n rastgele seçilmiştir ve
her seçim olasılığı o terimin külliyatta kaç kez geçtiğine
g ö r e belirlenmiştir.
Sonuçlar ve tartışma
GEM AI, değişken önceliklendirme yaklaşımlarından daha iyi
performans gösteriyor
Yapay zeka tabanlı bir eCDSS olan GEM'i, Rady Chil-
dren's Institute for Genomic Medicine'dan (RCIGM;
kıyaslama kohortu) 119 pediatrik retrospektif vakadan
oluşan bir kohort kullanarak kıyasladık. Bunların çoğu,
genetik hastalıkların teşhisi için genomik dizileme yapılan
kritik durumdaki YYBÜ bebekleriydi. Hepsine manuel
filtreleme ve varyant önceliklendirme yaklaşımlarının bir
kombinasyonu kullanılarak bir veya daha fazla Mendel
durumu teşhisi konmuştur ("Yöntemler"). Performansı
daha da doğrulamak için, beş farklı akademik tıp
merkezinden (doğrulama kohortu) 60 YYBÜ dışı, nadir
hastalık hastasından oluşan ikinci bir kohortu da analiz
e t t i k . Son olarak, daha önce analiz edilmiş ve WGS
ile tanı konulmamış 14 probanddan oluşan bir grubu
yeniden a n a l i z e t t i k . Amacımız, GEM'in daha önce
çözülmemiş bu vakalarda, zaman alıcı vakalara neden olacak
yanlış pozitif bulgular sağlamadan yeni tanıları belirleme
yeteneğini d e ğ e r l e n d i r m e k t i .
De La Vega ve diğerleri Genom Tıbbı (2021) 13:153 Sayfa 7
19'un

incelemeler. Performans kıyaslamalarımız için bağlam
sağlamak amacıyla, yaygın olarak kullanılan üç varyant
önceliklendirme aracını da çalıştırdık: VAAST [14], Phevor
[15] ve Exo- miser [16].
Karşılaştırma ve doğrulama kohortları tekil probandları,
ebeveyn-çocuk üçlülerini, farklı kalıtım modlarını ve hem
küçük nedensel varyantları (SNV'ler ve küçük eklemeler
veya silmeler, indeller; Tablo 1; Ek dosya 1: Tablo S1) hem
de bazıları nedensel olan büyük yapısal varyantları (SV)
içeriyordu (Tablo 2). Bu retrospektif analizlerde, klinik
raporda birincil bulgu olarak yer alan varyantları, hastalık
genlerini ve koşulları "altın standart" doğruluk seti olarak
kabul ettik.
GEM gen skorları Bayes faktörleridir ( BF) [84]; bunlar
gen adaylarını sıralamak için kullanılmıştır (Ek dosya 2:
Şekil S1). BF'ler, çeşitli kanıtlardan elde edilen bir sonuç
için destek derecesini kısaca ölçtükleri için yapay zekada
yaygın olarak kullanılmaktadır. Yerleşik uygulamalara [84]
uygun olarak, 0-0.69 BF orta düzeyde destek, 0.69-1.0
önemli destek, 1.0-2.0 güçlü destek ve 2.0'ın üzerinde kesin
destek olarak kabul edilmiştir [84]. 0'dan düşük puanlar,
karşı hipotezin desteklendiğini, yani o gendeki varyantların
probandın hastalığı için nedensel olmadığını göstermiştir.
GEM çıktıları ayrıca, sonraki uzman vaka incelemesi için
ek, destekleyici rehberlik sağlayan çeşitli ek açıklamalar ve
ölçütler içerir (Ek dosya 2: Şekil S1). Deneyimler, bu tür bir
rehberliğin otomatik değişken iddialarını destekleyen
kanıtları gözden geçirmek isteyen uzmanlar tarafından
benimsenmesi için kritik öneme s a h i p o l d u ğ u n u
göstermiştir. Bunlar arasında VAAST, VVP ve Phevor
posterior olasılıkları, proband cinsiyeti, gen konumu ve
soyuna göre koşullandırılmıştır. Ek açıklamalar varyant
sonucunu, ClinVar veritabanı patojenite
değerlendirmelerini ve genlerle ilişkili OMIM koşullarını
içerir.
Bu meta veriler, uzman kullanıcıların nihai GEM puanını
destekleyen ana katkıları gözden geçirmelerini sağlar.
Dahası, GEM varyantlardan ziyade diplotiplere öncelik
verir, bu da resesif hastalıklarda bileşik heterozigot
varyantların yorumlanmasını hızlandırır (Ek dosya 2: Şekil
S1B). GEM'in tanısal performansının varyant
önceliklendirme yöntemleriyle karşılaştırılmasında doğru
tanısal genin sıralaması kullanılmıştır. Bileşik
heterozigotlar söz konusu olduğunda, Exomiser gibi
varyant önceliklendirme yöntemlerinin çiftin bir varyantını
yüksek oranda sıralayarak diğerinin manuel incelemeyle
tanımlanmasına yol açacağını varsaydık ("Yöntemler").
GEM, 119 kıyaslama kohort vakasında daha önce
bildirilen nedensel gen(ler)in ve varyant(lar)ın %97'sini ilk
10 aday arasında sıralamıştır. Vakaların %92'sinde doğru
geni ve varyantı ilk 2'de sıralamıştır (Şekil 1A).
Karşılaştırma yapıldığında, bir sonraki en iyi algoritma olan
Phevor, ilk 10 adaydaki nedensel varyantların %73'ünü ve
ilk 2'deki varyantların %59'unu tanımlamıştır. GEM,
Phevor ve Exomiser, varyant patojenitesine ek olarak hasta
fenotiplerine (HPO terimleri olarak sağlanır) göre
sonuçları önceliklendirirken, VAAST yalnızca genotip
verilerini kullanır ve bu da daha düşük performansını
açıklar. Dolayısıyla, bu veriler hasta fenotiplerinin otomatik
inter- pretasyon araçlarının tanısal performansını
artırdığını da vurgulamaktadır.
Karşılaştırma kohortu, iki genin hasta fenotipine katkıda
bulunduğu bildirilen 3 vakayı içermektedir. Bu oran (%2,5)
digenik kalıtım için önceki raporlarla tutarlıdır [85].
Yukarıdaki istatistikler bu vakalarda en üst sırada yer alan
genleri kullanmaktadır, ancak Ek dosya 1: Tablo S3,
GEM'in ikinci nedensel geni de en iyi adayları arasında
sıraladığını, Phevor'un bir vakada düşük sıralar bildirdiğini
ve Exomiser'ın üç vakadan ikisinde ikinci geni kaçırdığını
göstermektedir.

Tablo 1 Vaka kohortlarının özellikleri. Benchmark kohortu, toplam 119 vaka. Doğrulama kohortu, toplam 60 vaka. Genel toplam, 179
vaka
Test türü Varyant tipi Proband seks Soyağacı Türü
Kalıtım şekli WGS WES SNV/Indel SV Erkek Kadın Tek kişilik İkili Üçlül
er
Benchmark kohortu
Otozomal dominant 70 11 66 15 36 45 35 6 40
Otozomal resesif 27 - 23 4 14 13 9 1 17
X'e bağlı baskın 6 - 5 1 1 5 2 - 4
X'e bağlı resesif 5 - 5 - 5 - 2 1 2
Alt toplamlar 108 11 99 20 56 63 48 8 63
Doğrulama kohortu
Otozomal dominant 3 34 37 - 10 27 15 2 20
Otozomal resesif 1 14 15 - 5 10 9 - 6
X'e bağlı baskın 1 5 6 - 3 3 1 3 2
X'e bağlı resesif - 2 2 - 2 - 1 - 1
Alt toplamlar 5 55 60 0 20 40 26 5 29
De La Vega ve diğerleri Genom Tıbbı (2021) 13:153 Sayfa 8
19'un

Tablo 2 Kıyaslama kohortunda GEM tarafından tanımlanan tanısal yapısal varyantlar (119 vakadan 20'si). Yapısal varyantlar, varyantın
barındırdığı genlere göre GEM tarafından sıralanmış ve en yüksek puan alan gene göre SNV'leri veya küçük indelleri kodlayan diğer
sıralı genlerle birlikte sunulmuştur. Yıldız işareti, literatürde tanısal hastalığın/sendromun fenotipi için aday olan genleri gösterir
(OMIM'de açıklandığı gibi). Sonuçlar, GEM'in 4 kb kadar küçük boyutlarda ve tüm kromozom kollarına kadar hem delesyonları (del)
hem de duplikasyonları (dup), çeşitli kalıtım modlarını, soyağacı yapısını ve WGS veya WES test verilerinden analiz edebildiğini
göstermektedir. GEM ayrıca SV'ler ve SNV/indeller arasındaki bileşik heterozigotları otomatik olarak tanımlamıştır (vaka 1, 2 ve 8). Girdi
SV çağrıları, kesme noktası tabanlı çağrıları (burada "SV") veya okuma derinliği analizine dayalı kesin olmayan CNV çağrılarını içerebilir.
Özellikle GEM, harici SV çağrıları sağlanmadığında (vaka 2, 10, 15 ve 17) SV'leri doğrudan küçük varyant verilerinden de çıkarabilir ve
bunları uygun şekilde puanlayarak orijinal vakalarda dizileme ile değil mikro dizilerle bulunan tanısal varyantları tanımlayabilir
Dava En Gen GEM Varyant(lar) pozisyonu SV Uzunlu Kalıtım Soyağacı Test Girişte Teşhis
no. yüksek sırala Skor tip k (kb) Şekli türü türü SV
puanlı ması çağrıları
gen(ler)
252268 FANCA* 1 2.28 chr16:89847864-89863349; Del 15 Çekinik Trio WGS SV Fanconi anemisi
FANCA: c.3788_
3790delTCT
223449 TANGO2* 1 2.13 chr22:20028937-20057143; Del 28 Çekinik Trio WGS Hiçbiri MECRCN
TANGO2: c.605+1G>A
266523 BTRC* 1 2.05 chr10:102941001- Dup 490 Baskın Duo WGS SV Ayrık el/ayak
103430600 malformasyonu tip 3
267392 HIRA, 1 2.05 chr22:18893883-21562619 Del 2669 Baskın Tek kişilik WES CNV DiGeorge sendromu;
TBX1* velokardiyofasiyal
sendrom
267148 KMT2A 1 1.87 chr11:116691508- Dup 9741; Baskın Trio WES CNV Emanuel sendromu
126432828; chr22: 3269
17038511-20307516
253691 HIRA, 1 1.73 chr22:18893883-20307516 Del 1414 Baskın Tek kişilik WES CNV DiGeorge sendromu;
TBX1* velokardiyofasiyal
Sendrom
256943 MAGEL2* 1 1.64 chr15:22833478-28566610 Del 5733 Baskın Tek kişilik WES CNV Prader Willi sendromu
254012 NDUFS3* 1 1.56 chr11:47605229-47609177; Del 4 Çekinik Trio WGS SV Leigh sendromu
NDUFS3: c.374G>A
254728 EPHA4 2 1.46 chr2:220309089- Del 4272 Baskın Tek kişilik WGS SV 2q35q36.1'de
224580863 patojenik delesyon
44671 NPAP1 1 1.42 chr15 tetrasomi (çoklu Dup 4542; Baskın Trio WGS Hiçbiri İzodisentrik kromozom
ç i f t l e r d e kırık) 991; 358; 15 sendromu
158
360547 FREM1 1 1.33 chr9:1-18477200 Del 18,437 Baskın Trio WGS SV Kromozom 9p
delesyon sendromu
259685 TYROBP 1 1.31 chr19:23158251-33502767 Dup 10,345 Baskın Trio WES SV Kısmi trizomi
19p12.q13.11
266700 TAB2 1 1.31 chr6:144951601- Del 5309 Baskın Trio WGS SV Kromozom 6q24-q25
150260400 Sendromu
244102 MAGEL2* 1 1.28 chr15:23684685-26108259 Del 2424 Baskın Tek kişilik WES CNV Prader Willi sendromu
204560 JAG1* 2 1.21 chr20:10471400-13459333 Del 44 Baskın Trio WGS Hiçbiri Alagille sendromu
246146 HCN1 1 1.20 chr5:213101-46,270,700 Dup 44 Baskın Tek kişilik WGS SV Trizomi 5p
45020 PCDH19* 1 1.15 chrX:92925011-99669272 Del 6744 X'e bağlı Trio WGS Hiçbiri Gelişimsel ve epileptik
baskın ensefalopati 9

248678 FANCC* 1 1.14 chr9:97998556-98009092 Del 11 Çekinik Tek kişilik WGS SV Fanconi Anemisi
352726 THRA 1 1.00 chr17:32147833-79020944 Dup 46,873 Baskın Proband WGS SV Distal trizomi 17q
251355 TRIP11 4 0.58 chr14:84783523-96907490 Del 12,124 Baskın Duo WGS SV Kromozom
14q31.2q32.2
Sendrom
De La Vega ve diğerleri Genom Tıbbı (2021) 13:153 Sayfa 9
19'un

Şekil 1 GEM'in tanısal hassasiyeti Phevor, Exomiser ve VAAST varyant önceliklendirme yöntemlerinden daha yüksektir. A Gerçek nedensel genlerin
(veya nedensel SV'ler durumunda varyantların) en iyi 1., 2., 5. veya 10. gen adayları arasında tespit edildiği 119 vakadan oluşan kıyaslama kohortunun
oranı. Hasta fenotipleri klinisyenler tarafından tıbbi kayıtlardan manuel olarak çıkarılmış ve GEM, Exomiser ve Phevor'a HPO terim girdileri olarak
sağlanmıştır. VAAST yalnızca varyant bilgilerini dikkate almaktadır. GEM ve Phevor sıralamalarının bir veya iki varyant (bileşik heterozigot durumunda
ikincisi) içerebilen genlere karşılık geldiği, Exomiser ve VAAST sıralamalarının ise tek varyantlar için olduğu unutulmamalıdır. Bileşik heterozigotlar söz
konusu olduğunda, en üst sıradaki varyantın sıralaması Exomiser ve VAAST için gösterilmiştir. B Doğrulama kohortundaki (SV vakaları hariç) GEM
performansının doğrulama kohortuyla (birden fazla kaynaktan alınan 60 nadir genetik hastalık vakasından oluşan) karşılaştırılması

Daha sonra, GEM'in tanısal performansının, daha geç
hastalık başlangıcı olan hastalar, daha az şiddetli sunumlar
veya diğer varyant arama boru hatları veya ayakta tedavi
genetik klinikleri tarafından üretilen veriler gibi YYBÜ
bebekleri dışındaki Mendel hastalıklarına uzanıp
uzanmadığını araştırdık. Bu analizler için, büyük ölçüde
beş farklı akademik tıp merkezinden gelen WES
vakalarından oluşan bir doğrulama ortak grubu derledik
(Tablo 1; Ek dosya 1: Tablo S2). Doğrulama kohortunda
GEM'in tanısal performansı kıyaslama kohortundakiyle
neredeyse aynıydı (Şekil 1B). Bu veriler, GEM'in tanısal
performansının hastalık şiddetine, başlangıç yaşına veya
genomik dizileme veya varyant saptama yöntemlerine bağlı
olmadığını göstermiştir.
Bu bulguların bir sonucu, GEM'in 10 genin gözden
geçirilmesiyle %97 geri çağırma (gerçek pozitif oran) elde
ederken, diğer araçların benzer bir yeniden görünümle
<%78 geri çağırmaya sahip olmasıdır (Şekil 1, Ek dosya 2:
Şekil S2). Bu fark kısmen GEM'in SV'lere öncelik v e r m e
konusundaki benzersiz becerisini yansıtmaktadır. SV
vakaları hariç tutulduğunda, GEM, Phevor ve Exomiser 10
genin gözden geçirilmesiyle sırasıyla %97, %83 ve %76
oranında geri çağırma elde etmiştir (Ek dosya 2: Şekil S3A).
Ayrıca, VAAST ve Exomiser sırasıyla 4 ve 18 gerçek pozitif
varyant için sıralama sağlayamamıştır. Yanlış negatiflerin
ve SV vakalarının hariç tutulması, önceki raporlarla
uyumlu olarak Exomiser'ın ilk 10 hatırlama oranını %93'e
yükseltmiştir (Ek dosya 2: Şekil S3B) [86]. Bu veriler, gerçek
dünyadaki klinik uygulamalarda tanı performansının aşırı
tahmin edilmesini önlemek için kıyaslamaya tüm vaka
türlerini ve nedensel varyantları dahil etmenin önemini
göstermektedir.
Yapısal varyantların skorlanması tanı oranını artırır
SV çağrılarının genom tanısal yorumlamasına dahil
edilmesinin önündeki en büyük engel, ister manuel ister
eCDSS kullanarak, kısa okuma hizalamaları kullanarak
düşük hassasiyet (yüksek yanlış pozitif, FP, oranları), tipik
FP oranları% 20-30'dur [87, 88]. Bu durum, çok sayıda SV
için olay kalitesinin ve anlamlılığının çok fazla zaman alan
manuel değerlendirmesine yol açmaktadır. GEM, SV'leri
probandın girdi VCF dosyasında sağlanan SV çağrılarıyla
ve/veya SNV ve indel çağrılarıyla ilişkili meta verilerden
varlıklarını ab initio çıkarsayarak puanlayarak düşük
hassasiyetin etkisini minimize e t m e k t e d i r
("Yöntemler"; aşağıya bakınız). Kıyaslama kohortu, gerçek
dünya deneyimindekine benzer bir insidansı yansıtan
SV'lerin nedensel olduğu bildirilen 20 vakayı içeriyordu
(Şekil 1A, Tablo 2) [20-23]. Bunların 17'sinde etken SV
GEM tarafından birinci sırada gösterilmiştir. İkisinde ikinci
sırada ve birinde dördüncü sırada yer alarak GEM'in kesin
olmayan S V çağrılarıyla yeterli tanısal performansı
koruduğunu göstermiştir. Karşılaştırma setindeki hastalığa
neden olan SV'ler küçük (4 kb) ile çok büyük (örneğin, tüm
kromozom kolları) arasında değişmektedir. Üç vakada tanı,
SV'n i n bir SNV/indel ile bileşik heterozigot olduğu
otozomal resesif bir bozukluktu. Her birinde, GEM iki
varyantı doğru şekilde entegre ederek nedensel diplotipleri
otomatik olarak tanımlamıştır (Ek dosya 2: Şekil S5).
GEM'in tanısal özgüllüğü ile ilgili olarak, BF > 0 (herhangi
bir destek) olan bu probandlar için ortalama ve medyan
gen adayı sayısı sırasıyla 8,7 ve 9,5'tir; bu da VCF dosyaları
nedensel veya başka türlü SV içermeyen probandlara
benzerdir.
Büyük SV'ler sıklıkla birden fazla geni etkiler. Diğer
varyant sınıflarıyla tutarlılık için, çoklu genetik SV'lerdeki
genler, proband fenotipinin örtüşmesiyle ilişkili gen
merkezli Bayes faktörü puanına ve bunlarla ilişkili bilinen
Mendel bozukluklarına (varsa) dayalı olarak GEM
tarafından gruplandırılır ve sıralanır ("Yöntemler"). İçin