《HUMAN MUTATION》：VarSim: A Python Toolkit for HGVS Variant Description Validation, Normalization, and Representation Conversion
编辑推荐：
准确且可重复的遗传变异表示对于临床基因组学、变异数据库和基因组研究至关重要。人类基因组变异学会（Human Genome Variation Society，HGVS）建议为描述序列变异提供标准化框架，但实际的HGVS处理通常涉及多个相互依赖的任务，包括解析、
准确且可重复的遗传变异表示对于临床基因组学、变异数据库和基因组研究至关重要。人类基因组变异学会（Human Genome Variation Society，HGVS）建议为描述序列变异提供标准化框架，但实际的HGVS处理通常涉及多个相互依赖的任务，包括解析、验证、标准化、坐标转换、蛋白质后果推断以及变异表示格式之间的转换。研究人员开发了VarSim，一个轻量级Python工具包，在基于版本固定的NCBI和EMBL-EBI匹配注释（Matched Annotation from NCBI and EMBL-EBI，MANE）转录本（从NCBI Entrez检索）的参考感知工作流中整合了这些操作。VarSim提供了用于HGVS解析、语法和语义验证、标准化、序列提取、反向翻译、坐标映射、蛋白质后果预测、基因组组装liftover以及HGVS、VCF和SPDI表示之间转换的程序化函数。研究人员使用五个MANE转录本上的1458个HGVS描述对该工具包进行了基准测试，包括500个编码单核苷酸变异（single-nucleotide variant，SNV）、250个移码插入/缺失（insertion/deletion，indel）和708个内含子剪接位点替换。所有1458个描述均通过VarSim语法验证，所有750个编码描述均通过对应参考序列的语义验证。VariantValidator接受了所有1458个描述，而Mutalyzer标准化端点处理了750个编码描述。VarSim标准化与Mutalyzer在所有750个编码变异上一致，与VariantValidator在750个变异中的749个一致。蛋白质后果预测与VariantValidator在所有500个编码SNV上一致。HGVS、VCF和SPDI之间的格式转换在测试变异中是精确的，而转录本到基因组投影与VariantValidator相比显示出显著差异，因此仍然是当前实现的一个局限。VarSim为可重复的HGVS处理和变异表示互操作性提供了一个互补的程序化框架。
遗传变异的准确表示是临床基因组学、数据库注释和基础研究的基石。人类基因组变异学会（HGVS）推荐的命名规范为序列变异提供了标准化描述框架，但实际应用中，HGVS处理往往涉及解析、验证、标准化、坐标转换、蛋白质后果推断以及不同表示格式（如VCF、SPDI）的互转等多个环节。现有工具如Mutalyzer、VariantValidator和hgvs Python包分别提供部分功能，但用户常需在多个接口、参考资源或本地数据库配置间切换，缺乏一个轻量级、可编程的一体化工作流。MANE转录本集（由NCBI和EMBL-EBI联合开发）提供了统一且版本固定的参考转录本，为消除转录本选择歧义、建立可复现的参考上下文创造了条件。针对上述需求，研究人员开发了VarSim——一个集成多种HGVS处理功能的Python工具包，并系统评估了其与现有权威资源的一致性。
VarSim以版本固定的MANE转录本（通过NCBI Entrez动态获取）为核心参考上下文，实现了HGVS描述的解析、语法与语义验证、标准化（含3'规则、插入转重复、等位基因最小化）、序列提取、反向翻译、转录本-基因组坐标映射、蛋白质后果预测、GRCh37/GRCh38组装liftover，以及HGVS、VCF和SPDI三种表示格式的双向转换。在包含1458个HGVS描述（覆盖HBB、G6PD、TP53、CFTR和GNAL五个MANE转录本，含500个编码SNV、250个单碱基移码插入/缺失和708个内含子剪接位点替换）的基准数据集上，VarSim通过了全部语法验证和全部编码描述的语义验证；其标准化结果与Mutalyzer在750个编码变异上完全一致，与VariantValidator在749/750个上一致；蛋白质后果预测与VariantValidator在500个编码SNV上完全一致；HGVS、VCF和SPDI间转换在测试变异上实现精确往返。但转录本到基因组投影与VariantValidator存在显著差异，当前版本不应作为权威基因组坐标来源。该研究展示了VarSim作为可编程中间层的价值，但不能替代Mutalyzer或VariantValidator等专业验证服务。
关键技术方法方面，VarSim采用Python（≥3.8）编写，依赖Biopython处理序列操作；参考记录通过NCBI Entrez API动态获取，并使用LRU缓存和指数退避策略应对网络限流与瞬时故障。基准测试中，研究人员对1458个描述进行了语法和语义验证，将750个编码变异提交至Mutalyzer标准化端点，并将全部描述提交至VariantValidator；同时开展了50个编码SNV的转录本-基因组投影对比、23个错义替换的反向翻译测试、100个序列对（50个SNV与50个单碱基缺失）的提取测试，以及HGVS、VCF、SPDI之间的往返转换测试。
在结果方面，各项功能表现如下。3.1 HGVS验证：VarSim成功解析全部1458个描述（100%）并通过全部编码描述的语义验证；VariantValidator接受全部描述；Mutalyzer仅处理750个编码描述（对708个内含子剪接位点描述因缺少选择子上下文而返回错误，该端点行为与描述本身有效性无关）。3.2 标准化一致性：VarSim与Mutalyzer在750个编码变异上完全一致；与VariantValidator相比，749/750一致，唯一差异为CFTR c.3962_3963insG——VarSim与Mutalyzer返回c.3964dup，VariantValidator返回c.3963+1dup，但三者均表示同一外显子边界重复事件。在HBB重复序列背景下，验证了3'移位和插入转重复规则，替换未被移位。3.3 蛋白质后果预测：VarSim与VariantValidator在500个编码SNV上全部一致（100%）。3.4 反向翻译与序列提取：23个错义替换均能在候选编码HGVS描述中恢复对应SNV；100个参考/观察序列对均生成正确的最小HGVS描述，同聚物内缺失按3'规则定位。3.5 表示转换：50个基因组描述的HGVS转VCF结果与VariantValidator完全一致；HGVS、VCF、SPDI之间往返转换精确保持序列变化。3.6 转录本到基因组投影：50个编码SNV（每基因10个）的投影与VariantValidator无一精确匹配（如CFTR c.325T>A被投影为NC_000007.14.117480419T>A，而VariantValidator为NC_000007.14.117530950T>A），且负链转录本存在额外偏差，故该功能需独立核对。3.7 基因组组装liftover：依赖NCBI Remap服务，服务不可用时返回输入不变，属服务依赖型操作。3.8 计算性能：全部1458个描述的解析和验证在0.1秒内完成（约15000描述/秒），750个编码变异标准化亦小于0.1秒；蛋白质推断在远程检索约7秒、缓存后小于1秒，表明外部参考获取是主要耗时因素。3.9 应用示例：以HBB NM_000518.5.20A>T（p.Glu7Val）展示了完整流程，包括解析、验证、标准化、蛋白质预测、反向翻译及VCF转换。
讨论部分指出，VarSim的主要优势在于将参考序列检索与HGVS处理整合，通过版本固定访问号提供明确参考上下文，适合轻量级脚本、数据库质控、自动化和云环境。与Mutalyzer和VariantValidator的高度一致性验证了其标准化和蛋白质后果推断的可靠性。表示转换和往返测试支持跨系统数据交换。但转录本-基因组投影的显著偏差表明，该功能需谨慎处理转录本结构、链方向及基因组锚定，其结果应使用外部验证器复核。此外，实时依赖NCBI Entrez和Remap服务带来了网络与可用性风险，基准数据集虽覆盖多种类型但规模有限，未来需在更广泛基因和变异谱系上评估泛化能力。结论认为，VarSim是互补的可编程组件，用于促进可复现的HGVS处理与变异数据互操作性，而非替代专业验证工具。
