28种致病性预测方法在编码区罕见单核苷酸变异中的性能评估与比较研究

本研究针对罕见单核苷酸变异(nsSNV)致病性预测的临床需求，系统评估了28种计算方法在ClinVar数据集上的表现。研究人员通过十项指标分析发现，整合保守性特征、其他预测分数和等位基因频率(AF)的MetaRNN和ClinPred模型对罕见变异(<0.01 MAF)预测效能最优(AUC>0.99)，但多数方法存在特异性随AF降低而显著下降的问题。该成果为临床变异优先排序提供了方法学指导，发表于《BMC Genomics》。

　　

随着二代测序技术(NGS)的普及，人类基因组中大量单核苷酸变异(SNV)被发现，其中导致氨基酸改变的非同义变异(nsSNV)与疾病关联密切。然而，约0.1%的基因组变异中，罕见变异(MAF<0.01)的临床解读面临重大挑战——实验验证成本高昂，而现有28种计算预测方法在罕见变异上的表现尚未系统评估。这种知识缺口直接影响了精准医疗中变异优先级的判定。

首尔大学医院的研究团队通过分析2021-2023年ClinVar数据库的8,508个临床注释明确的nsSNV（含4,891致病和3,617良性变异），首次系统比较了28种预测方法在六种等位基因频率区间的表现。研究创新性地采用十项评价指标，包括受试者工作特征曲线下面积(AUC)、马修斯相关系数(MCC)等，揭示MetaRNN（递归神经网络模型）和ClinPred（随机森林模型）对罕见变异的预测效能显著优于其他方法(AUC分别达0.9952和0.9938)。

关键技术方法包括：1)从ClinVar筛选经专家评审的nsSNV构建基准数据集；2)整合ESP、1000GP、ExAC和gnomAD四大数据库的等位频率数据；3)采用Spearman相关系数分析28种方法的预测分数相关性；4)通过分层AF区间评估方法稳定性。

方法特征分析

研究将方法分为四类：AF过滤训练组（如REVEL）、AF特征组（如CADD）、常见变异对照组（如FATHMM-MKL）和无AF信息组（如SIFT）。深度学习方法MetaRNN整合了16种预测分数，而ClinPred则侧重保守性特征。

覆盖度与缺失率

仅7种方法覆盖全部nsSNV类型，多数方法缺失终止密码子变异预测功能。整体缺失率达10%，MutPred甚至高达54.52%。

性能比较

MetaRNN特异性(0.9587)和灵敏度(0.9995)双高，而多数方法特异性(中位数0.7435)显著低于灵敏度(中位数0.9047)，存在过度预测致病倾向。AF<0.1%时，特异性平均下降17.23%，FATHMM-MKL降幅达43.33%。

讨论与意义
该研究首次揭示预测方法在低AF区间的性能衰减规律，指出当前方法普遍存在三个局限：1)训练集AF分布偏差导致特异性下降；2)终止密码子变异覆盖不足；3)过度依赖已有预测分数作为特征。作者建议未来开发应注重：平衡AF区间的训练数据分布、探索新型生物特征替代预测分数、开发终止变异专用算法。这些发现为临床遗传解读提供了关键质量指标，尤其对罕见病诊断和癌症体细胞变异分析具有重要指导价值。

研究同时警示，直接使用AF过滤的"良性"训练集可能引入噪声（如M-CAP方法），而概率模型（如PolyPhen2）表现出的U型特异性曲线，提示不同算法需要差异化的AF适应策略。这些发现为国际人类基因组变异解读联盟(ClinGen)等组织制定预测方法使用规范提供了实证依据。