《Genes》：AI-Assisted WES Variant Interpretation in Neurodevelopmental Disorders: A Narrative Review of Existing Tools
编辑推荐：
背景/目的：神经发育障碍（NDDs）是一组以脑发育和功能改变为特征的异质性疾病，常伴随复杂的遗传结构。下一代测序，特别是全外显子组测序（WES）的广泛应用，显著增加了潜在疾病相关变异的识别，将主要挑战从变异检测转向其解读和优先级排序。本综述探讨了人工智能（AI
背景/目的：神经发育障碍（NDDs）是一组以脑发育和功能改变为特征的异质性疾病，常伴随复杂的遗传结构。下一代测序，特别是全外显子组测序（WES）的广泛应用，显著增加了潜在疾病相关变异的识别，将主要挑战从变异检测转向其解读和优先级排序。本综述探讨了人工智能（AI）对NDDs中WES变异解读的新兴贡献，特别强调了AI辅助的变异优先级排序和蛋白质结构建模。方法：研究人员回顾了适用于WES解读不同阶段的传统计算方法和新兴AI驱动方法，包括变异致病性和功能效应预测、进化保守性、剪接评估、表型引导的优先级排序以及蛋白质结构预测。在神经发育基因组学的背景下，对其方法论原理、应用和主要局限性进行了批判性审视。结果：AI和机器学习方法日益整合基因组、表型、功能和结构信息，支持表型感知的候选基因优先级排序和选定变异的分子背景化。然而，计算结果受到模型特定局限性的影响，不应被视为独立于致病性的证据。其附加价值主要取决于所提供信息的互补性和生物学相关性，而非仅依赖预测因子的一致性。结论：本叙述性综述强调，AI辅助的WES解读应优先考虑互补的、机制相关的证据，而非计算一致性。因此，应根据变异类别和疾病机制选择AI辅助工具，并将其与独立的临床、遗传和功能证据相结合。
本文主体部分内容总结如下：
2. 贯穿神经基因组学工作流程的人工智能
2.1. 常规WES数据分析工作流程
全外显子组测序（WES）已成为研究神经发育障碍（NDDs）遗传基础的广泛采用方法。其分析工作流程通常分为一级、二级和三级分析。一级分析涉及将原始测序信号转换为核苷酸序列并生成测序读段。二级分析将测序读段转换为基因组变异信息，包括比对至人类参考基因组、比对后处理以及变异检出。单核苷酸变异（SNVs）和小插入缺失被识别并存储在变异检出格式文件中。三级分析代表从变异检测向生物学和临床解读的转变，通过整合来自人群、临床、进化和功能数据库的信息对已识别的变异进行注释。尽管测序和生物信息学流程持续改进，但三级分析仍是基于WES诊断的主要瓶颈之一，特别是在NDDs中，由于广泛的遗传和表型异质性、可变外显率、不完全外显率以及大量基因可能参与重叠的临床表现，使得罕见变异的解读尤为困难。
2.2. 将人工智能整合到WES解读和变异优先级排序中
机器学习和深度学习正越来越多地被整合到基因组分析中，以支持通过WES鉴定的变异解读和优先级排序。AI方法在三级分析阶段的影响尤为显著，因为在此阶段需要结合异质性的生物学和临床证据，以区分潜在疾病相关变异与大量基因组背景变异。AI模型能够从大规模基因组和生物学数据集中学习复杂关系，并将多个特征整合为定量预测。这些模型可纳入序列上下文、氨基酸特性、进化约束、蛋白质结构域、调控特征、剪接模式等信息。AI驱动的致病性预测工具，以及蛋白质结构预测和建模方法，将在后续章节详细讨论。当基因组信息与表型数据整合时，AI的潜在贡献变得尤为重要。在NDDs中，表型驱动的优先级排序有助于识别那些已知或预测功能与临床表现兼容的基因中的变异。
3. 变异解读与计算机模拟工具中的人工智能
3.1. 从传统计算预测器到AI驱动方法
计算机模拟预测已成为变异解读的组成部分，提供对基因组改变潜在功能后果的计算估计。历史上，致病性预测主要依赖于进化保守性、氨基酸间的理化差异、蛋白质序列特性和预定义的生物学特征。随着大型基因组数据集和实验表征变异可用性的增加，逐渐推动了基于机器学习、深度学习和生成式建模的更复杂方法的发展。计算方法在方法论基础上存在显著差异，包括监督学习、集成方法、无监督或半监督方法以及深度学习架构。理解这些方法学差异至关重要，因为每个预测器的训练策略、输入特征和参考数据集直接影响其性能、适用性和潜在偏差。
3.2. 编码区变异的致病性预测
多种代表性工具被用于编码区变异致病性预测。联合注释依赖性耗竭（CADD）通过对比人群中观察到的变异与模拟变异，整合大量基因组注释以估计变异的有害程度。稀有外显子组变异集成学习器（REVEL）专门针对罕见错义变异致病性预测开发，采用集成机器学习策略。PrimateAI及其后续版本利用灵长类种群进化数据进行深度学习。AlphaMissense整合进化和结构上下文信息来估计氨基酸替换的致病可能性。进化模型（EVE）则采用无监督策略，使用生成模型估计氨基酸替换是否与蛋白质家族的进化约束相容。这些工具的分数不能直接互换，每种模型都受其训练数据、架构、输入特征和对致病性或有害性的定义影响。在NDDs背景下，这些工具尤其重要，因为该组疾病具有广泛的位点和等位基因异质性，且罕见新生或遗传的编码变异经常需要在多个可能的候选者中进行优先级排序。
3.3. 剪接改变的计算与AI驱动预测
基因组变异的致病后果不限于氨基酸替换。影响经典剪接位点、邻近内含子区域、外显子调控元件或深部内含子序列的变异可能破坏前体信使核糖核酸加工并导致疾病。SpliceAI是一个深度神经网络，可直接从初级核苷酸序列预测剪接连接，并估计基因组变异诱导剪接位点获得或丢失的概率。其他方法如MaxEntScan、MMSplice、SQUIRLS和Pangolin也代表了从基序和规则为基础的剪接评分向能够学习更复杂序列决定因素的模型的过渡。尽管取得了进展，计算机剪接预测仍面临重要限制，预测可能依赖于转录本选择和转录本注释的完整性，而组织特异性和发育阶段特异性剪接可能无法被当前模型充分代表。
3.4. 蛋白质截断变异与功能证据
蛋白质截断变异（PTVs）在NDDs中是潜在致病变异的重要类别。其解读不能仅依赖于提前终止密码子的引入，功能后果取决于转录本上下文、外显子位置、无义介导的衰变（NMD）和潜在的疾病机制。预测触发NMD的变异可能导致功能丧失，而逃避NMD的变异可能产生截断蛋白，具有不同的分子后果。多重变异效应检测法（MAVEs）能够并行实验表征大量变异，并为临床变异解读提供校准的功能证据。在NDDs相关基因中，功能丧失和功能获得机制可能导致不同的临床表型，因此AI辅助预测、结构建模和实验功能检测应被视为互补而非可互换的证据层次。
3.5. AI驱动的变异和候选基因优先级排序
虽然致病性预测器估计单个遗传变异的潜在功能或有害效应，但变异优先级排序是一项更广泛的分析任务，旨在从海量变异中识别最可能解释特定患者表型的变异。AI驱动的优先级排序方法已被开发出来，以在统一的分析框架内整合多种异质性证据来源。Exomiser是最成熟的表型-基因型联合优先级排序框架之一，它结合人类表型本体（HPO）相似性与变异水平信息和遗传模式建模。LIRICAL基于似然比计算，Phen2Gene执行表型到基因的优先级排序，AMELIE强调从生物医学文献中提取知识，Xrare则更明确地纳入机器学习。这种表型感知的方法代表了从孤立变异效应预测向患者特异性基因组解读的重要转变。大多数当前的变异优先级排序框架主要设计用于对单个变异或基因进行排序，这可能无法完全捕捉NDDs中的寡基因贡献。
3.6. 用于变异解读的序列到功能模型
序列到功能（S2F）模型代表了一类新兴的深度学习方法，旨在预测基因组序列变化如何影响分子和调控过程。Enformer结合卷积神经网络和基于Transformer的自注意力机制，直接从约200千碱基的基因组序列预测基因表达和染色质状态。AlphaGenome进一步扩展了S2F范式，结合长程基因组上下文与高分辨率多模态功能预测。这些模型为变异解读提供了额外层次，可能将基因组改变与其下游分子后果联系起来。然而，S2F预测本质上依赖于调控活性发生的生物学上下文，对于训练中未代表的细胞类型或条件，序列模型可能显示出有限的泛化能力。
3.7. 整合计算证据：冗余性、互补性与机制依赖性
多种计算方法的整合并不一定增强变异解读的强度。共享进化注释、训练数据集或组件算法的预测器可能产生一致输出，但这并不提供独立证据。相反，探究基因型-表型关系不同维度的方法可能提供真正互补的信息。变异效应预测解决序列改变的预测分子后果，而表型驱动优先级排序评估其与临床表现的相关性。因此，组合计算方法的潜在价值取决于它们提供的生物学信息的独立性和相关性，而非应用的工具数量。从WES中心视角出发，计算工具应根据每个候选变异提出的问题来选择，而不是作为累积的、越来越复杂的预测序列来应用。
3.8. AI驱动变异解读和优先级排序的局限性与挑战
尽管预测性能不断提升，计算和AI驱动工具在临床变异解读中存在若干局限性。预测性能可根据变异类别、基因、分子机制和进化信息的可用性而有很大差异。监督模型可能从其训练数据集中继承偏见，包括过度研究的基因、先前分类的变异或特定分子机制的过度代表。不同预测器经常包含重叠的注释或训练数据，因此多个变异效应预测器之间的一致不应被解释为多条独立证据。另一个重要考量是有害性、功能影响和临床致病性之间的区别。预测改变蛋白质功能的变异不一定致病，因为临床致病性还取决于基因-疾病有效性、遗传模式、合子状态、外显率、分子机制以及与患者表型的兼容性。AI驱动的表型基础优先级排序也存在局限性，包括HPO术语的层级组织和语义冗余、表型粒度的差异以及不完整或可变的临床注释。
4. 人工智能与蛋白质结构预测
4.1. 蛋白质结构预测中的人工智能
遗传变异的功能后果最终由其影响生物学过程的方式决定，可能包括蛋白质折叠、稳定性、分子相互作用或活性的改变。对于错义变异，三维结构上下文可以提供有价值的补充信息用于生物学解读。人工智能应用于蛋白质结构预测已显著改变了这一领域。AlphaFold2的出现代表了这一领域的重大进步，证明了深度神经网络能够在缺乏密切相关实验确定模板的情况下高精度预测蛋白质结构。
4.2. 基于AI的蛋白质结构预测工具
AlphaFold2整合来自初级氨基酸序列、多序列比对（MSAs）和结构模板的信息。RoseTTAFold引入了三轨神经网络架构。ESMFold利用蛋白质语言模型学习的表征直接从单个氨基酸序列预测三维结构。AlphaFold3被设计为一个统一的深度学习框架，能够预测含有蛋白质、脱氧核糖核酸、核糖核酸、小分子配体、离子和修饰残基的生物分子复合物。这些工具的性能需通过置信度指标进行评估，包括预测的局部距离差测试（pLDDT）、预测对齐误差（PAE）、预测模板建模分数（pTM）和界面预测模板建模分数（ipTM）。
4.3. 候选遗传变异的结构背景化
在基于WES的NDDs变异解读工作流程中，结构建模可以代表变异过滤和致病性优先级排序之后的下游调查层面。结构背景化主要适用于错义变异和其他改变蛋白质序列同时保留蛋白质产物的改变。其效用仅限于预期产生稳定蛋白质产物的变异子集。结构调查有助于生成关于氨基酸替换潜在分子后果的假设，例如改变残基大小、电荷、极性或疏水性可能改变局部相互作用。AlphaFold3预测含不同类别生物分子复合物的能力进一步扩展了在更广泛分子背景下检查候选变异的可能性。然而，重要的是区分结构预测和变异效应预测。AlphaFold及相关工具主要用于预测可能的蛋白质结构，而非量化氨基酸替换的能量或致病后果。
4.4. 基于AI的结构预测的当前局限性
尽管性能卓越，基于AI的结构预测模型在应用于人类遗传变异时存在若干局限性。预测准确性在蛋白质间并非均匀分布，特别是在内在无序或高度灵活的区域。解读还可能因替代蛋白质亚型、膜蛋白、翻译后修饰、相互作用伙伴和生物学相关的构象状态而复杂化。置信度指标如pLDDT和PAE应在从预测结构中得出结论之前始终予以考虑。此外，结构模型应被视为假设生成工具，而非替代实验验证的手段。
