综述：变异意义未明：诊断之旅的核心难题

这篇综述系统探讨了变异意义未明（VUS）在罕见病诊断中的挑战与进展，强调其作为诊断旅程核心节点的重要性。文章指出，尽管ACMG/AMP指南和ClinVar数据库提升了变异分类准确性，但VUS的高比例（94,287例中占多数）仍是临床决策的主要障碍。通过整合生物信息学工具（如REVEL、SpliceAI）与多组学数据，研究者正逐步提高VUS重新分类效率，但遗传异质性、数据稀缺及模型局限性仍需突破。未来需加强全球协作与技术创新，以优化罕见病诊疗策略。

　　

变异意义未明（Variants of Uncertain Significance, VUS）作为基因组学领域的关键挑战，始终贯穿于罕见病的诊断之旅。随着高通量测序技术（如全外显子组测序WES和全基因组测序WGS）的普及，临床实验室每年识别出大量VUS，其中约90%的罕见病由单基因突变引起，但超过半数变异因缺乏功能验证或群体数据支持而被归类为VUS¹。

美国医学遗传学与基因组学学会（ACMG）联合分子病理学协会（AMP）制定的分类框架将变异划分为良性、可能良性、致病、可能致病及VUS等类别²。这一框架虽显著提升了分类一致性，但VUS的高占比仍导致临床决策困境。例如，在印度等遗传多样性较高的地区，VUS重新分类面临独特挑战——由于创始人效应和种群特异性突变，全球数据库中的分类标准可能不适用³。

非编码区变异（如内含子-外显子边界突变）的解读尤为复杂。此类变异虽不直接改变蛋白质序列，但可能通过影响剪接调控（如SpliceAI预测的隐秘剪接位点）或基因表达水平（如增强子区域的调控变异）间接致病⁴。研究表明，约10%的VUS位于非编码区，其潜在功能需结合三维基因组结构与表观遗传数据进行系统分析⁵。

为应对VUS分类难题，研究者开发了多层次预测工具。基于机器学习的集成模型（如REVEL、BayesDel）整合多算法结果，显著提高了预测准确性；而深度学习模型（如CNNs）虽能处理大规模数据，却因过拟合风险限制了应用场景⁶。此外，功能验证实验（如CRISPR-Cas9介导的基因编辑）成为确认VUS致病性的金标准，但其高成本与技术门槛阻碍了大规模实施⁷。

遗传异质性进一步加剧了VUS的复杂性。同一基因的不同突变（如错义突变与无义突变）可能导致截然不同的疾病表型，而不同基因的突变也可能引发相似症状（如肌张力障碍可由TUBB4A或THAP1突变导致）⁸。这种异质性要求临床医生在缺乏明确证据时，需结合患者家族史、表型特征及多组学数据综合判断。

针对VUS的临床管理仍存在显著空白。以癌症为例，体细胞VUS可能提示靶向治疗潜力，但其功能验证耗时漫长；而生殖系VUS的不确定性则直接影响遗传咨询与生育决策⁹。为此，国际协作项目（如gnomAD数据库）正加速积累种群特异性变异频率数据，同时人工智能工具（如AlphaFold预测蛋白结构变化）为功能推断提供了新思路¹⁰。

尽管面临诸多挑战，VUS研究已取得阶段性进展。通过整合生物信息学预测、功能实验验证与临床表型分析，部分VUS已成功重新分类为致病或良性变异。未来，随着多组学整合技术与跨学科协作的深化，VUS有望从诊断“黑箱”转变为精准医疗的关键切入点。