【佳學(xué)基因檢測】人工智能在基因檢測中如何準確判斷意義示明突變的臨床意義

佳學(xué)基因檢測導(dǎo)讀

當(dāng)患者接受基因檢測以評估患某些疾病的遺傳傾向時，往往會存在一些罕見的、意義未明的基因變異（VUS），這給臨床醫(yī)生的判斷帶來極大挑戰(zhàn)，為基因檢測受檢者帶來困惑和無助。與此同時，某些突變雖然不會直接導(dǎo)致疾病，卻可能增加患病風(fēng)險。為了解釋這類復(fù)雜情況，佳學(xué)基因檢測采用機器學(xué)習(xí)方法，對多個大規(guī)?；颊哧犃羞M行了分析?；蚪獯a團隊通過臨床數(shù)據(jù)為10種疾病計算“疾病風(fēng)險評分”，并將其與基因數(shù)據(jù)（包括那些功能未知的罕見突變）進行關(guān)聯(lián)分析。除了能夠幫助解釋這些變異對疾病的具體貢獻，還開發(fā)出了一種未進入數(shù)據(jù)庫的基因變異在其他疾病中作用的通用模型。

佳學(xué)基因檢測為什么要開發(fā)人工智能基因解碼模型

準確評估基因變異的“外顯率”（即攜帶該變異個體最終發(fā)病的概率）對于疾病風(fēng)險評估和臨床決策至關(guān)重要。傳統(tǒng)方法主要依賴疾病家系或特定人群，但這些研究常受到樣本量小、選擇偏倚等限制。更重要的是，傳統(tǒng)的基于數(shù)據(jù)庫比對的“病例-對照”分類方法過于簡單，難以準確反映疾病的連續(xù)性特征。因此，借助大規(guī)模電子健康記錄（EHR）與基因數(shù)據(jù)的結(jié)合，具有人工智能特點的機器學(xué)習(xí)（ML）為基因變異外顯率的定量評估提供了新的可擴展路徑。

基于數(shù)據(jù)庫比對的基因檢測所面臨的困難

隨著基因測序技術(shù)的發(fā)展，大量與疾病相關(guān)的罕見變異被發(fā)現(xiàn)，并提交到如 ClinVar 這類數(shù)據(jù)庫中。然而，這些變異的分類主要依賴實驗室和專家的主觀評估，缺乏真實世界的大樣本數(shù)據(jù)支撐。這種情況下，不僅變異的分類結(jié)果容易產(chǎn)生不一致，也讓許多意義未明變異（VUS）難以解讀。為此，基因解碼團隊開發(fā)了一種基于機器學(xué)習(xí)的方法，通過整合常規(guī)臨床實驗室檢測數(shù)據(jù)與基因信息，更準確地估計這些變異的實際發(fā)病風(fēng)險。

基因解碼人工智能具有什么優(yōu)勢？

基因解碼針對10種遺傳疾病構(gòu)建基于人工智能的機器學(xué)習(xí)模型，包括：

• 心律失常性右室心肌病

• 家族性乳腺癌

• 家族性高膽固醇血癥（FH）

• 肥厚型心肌病（HCM）

• 成人型低磷酸酶血癥

• 長QT綜合征

• 林奇綜合征

• 單基因糖尿病

• 多囊腎?。≒KD）

• 血管性血友病

這些模型基于超過13０多萬名擁有電子健康記錄的參與者數(shù)據(jù)構(gòu)建，并驗證于一個獨立的外顯子組測序隊列中?；蚪獯a團隊根據(jù)模型計算出的“疾病概率評分”，評估了31個與常染色體顯性遺傳相關(guān)的基因中的1648個罕見變異，涵蓋了已知致病（P）、良性（B）、意義未明（VUS）及未知功能的丟失性突變（LoF）。

分析結(jié)果顯示，已知致病和LoF變異具有最高的機器學(xué)習(xí)外顯率，VUS居中，良性變異最低。相比傳統(tǒng)方法，該方法提供了更細致、量化的風(fēng)險評估。

進一步分析發(fā)現(xiàn)，機器學(xué)習(xí)計算出的外顯率與臨床結(jié)局具有良好一致性，例如：

• 高外顯率的多囊腎?。≒KD）腎功能明顯下降（腎小球濾過率降低40 ml/min）

• 高外顯率的家族性高膽固醇血癥（FH）變異攜帶者低密度脂蛋白水平升高（高出119 mg/dl）

此外，這些外顯率評估結(jié)果還與實驗室功能驗證數(shù)據(jù)高度吻合，進一步支持其生物學(xué)有效性。對于VUS和未知功能的LoF變異，基因解碼也能夠描繪出其潛在的臨床發(fā)展過程，例如生命體征、電生理指標(biāo)和生物標(biāo)志物的變化趨勢。

如何看待人工智能基因解碼

佳學(xué)基因人工智能基因解碼開發(fā)了一種基于機器學(xué)習(xí)的人工智能的框架，用于大規(guī)模、系統(tǒng)性地評估基因變異的外顯率。通過整合基因組與臨床表型數(shù)據(jù)，該方法不僅為臨床提供更精確的個體化疾病風(fēng)險評估工具，也為未來的精準醫(yī)學(xué)實踐和未知變異的功能研究提供了范式。