新工具有助于對遺傳信息進行臨床解釋全球聚看點

2023-04-22 09:12:13來源：聚焦網(wǎng)

(相關資料圖)

盡管在臨床實踐中越來越多地使用基因組測序，但解釋罕見的基因突變，即使是在經(jīng)過充分研究的疾病基因中，仍然很困難。當前的預測模型可用于解釋這些突變，但它們?nèi)菀讓⒛切┎粫鸺膊〉耐蛔兎诸愬e誤，從而導致誤報。

來自德累斯頓馬克斯普朗克分子細胞生物學和遺傳學研究所 (MPI-CBG)、德國德累斯頓系統(tǒng)生物學中心 (CSBD) 和美國波士頓哈佛醫(yī)學院的研究人員開發(fā)了一種名為 Deciphering Mutations 的工具可操作基因 (DeMAG)。該研究發(fā)表在《自然通訊》雜志上。

DeMAG 是一個開源網(wǎng)絡服務器 (demag.org)，它提供了對 316 個臨床相關基因中可能發(fā)生的所有潛在單個氨基酸突變的影響的解釋，這些基因會導致疾病，而預防性診斷和治療已經(jīng)可用。DeMAG 為醫(yī)療專業(yè)人員提供了一種工具，使他們能夠通過降低假陽性率更準確地評估這些基因突變的影響，這意味著不太良性的突變被預測為致病性。因此，該工具可以支持臨床決策。

近年來，基因組測序變得更便宜、更先進。一方面，這使臨床醫(yī)生能夠越來越多地將測序用于診斷目的，同時也使科學家能夠探索更多的研究假設。另一方面，許多檢測到的突變沒有明確的臨床解釋。突變是否會導致疾病的不確定性可能會給患者帶來壓力，并導致與診斷不足和過度診斷相關的心理負擔、發(fā)病率和醫(yī)療保健費用。

雖然現(xiàn)有工具已被用于預測這些變異的功能影響，但由于臨床數(shù)據(jù)有限，它們的性能存在偏差，這使得區(qū)分給定基因內(nèi)的致病(致病)和良性(中性)變異變得困難，并且經(jīng)常導致錯誤分類不引起疾病的突變稱為致病性。解決這些困難對于開發(fā)可靠的臨床應用預測器至關重要。

MPI-CBG 和 CSBD 的 Agnes Toth-Petroczy 研究小組與哈佛醫(yī)學院布萊根婦女醫(yī)院遺傳學部的醫(yī)學助理教授 Christopher Cassa 和該部門的研究員 Ivan Adzhubei 合作哈佛醫(yī)學院生物醫(yī)學信息學博士，開發(fā)統(tǒng)計模型和網(wǎng)絡服務器 DeMAG，在解釋疾病基因的基因突變方面達到高精度。為此，研究人員仔細選擇了已知的致病性和良性突變來訓練模型。

“我們使用了臨床和各種人口數(shù)據(jù)庫。我們只選擇了臨床解釋在多個提交者(例如醫(yī)生和遺傳學實驗室)中達成一致的突變。我們還包括來自當前人口數(shù)據(jù)庫中代表性不足的血統(tǒng)的數(shù)據(jù)，例如韓國或日語，使其更具代表性和準確性，”該研究論文的第一作者和博士 Federica Luppino 解釋道。Toth-Petroczy 小組的學生。