编辑推荐：
尽管基因组检测取得了显著进展，许多神经发育障碍个体仍未获得分子诊断；另一些人虽获得遗传学诊断，但该诊断并不能完全解释表型变异、发育轨迹或组织特异性后果。人工智能（AI）辅助方法越来越多地用于表型分析、变异优先级排序、剪接预测、蛋白质建模、DNA甲基化表观特征（
尽管基因组检测取得了显著进展，许多神经发育障碍个体仍未获得分子诊断；另一些人虽获得遗传学诊断，但该诊断并不能完全解释表型变异、发育轨迹或组织特异性后果。人工智能（AI）辅助方法越来越多地用于表型分析、变异优先级排序、剪接预测、蛋白质建模、DNA甲基化表观特征（episignature）分类和多组学分析。然而，这些方法在证据地位上差异显著，且常被作为独立预测任务应用，而非作为明确机制模型的组成部分。在这篇以罕见和遗传富集型神经发育障碍为主要焦点的靶向叙述性综述（targeted narrative review）中，研究人员探讨了AI辅助方法如何在保持与既定分子诊断和变异分类框架衔接的前提下，为系统水平解读作出贡献。研究人员提出了一个假设生成的负荷-容量框架（load-capacity framework），包含调控负荷（regulatory load）、网络容量（network capacity）、发育缓冲（developmental buffering）和调控网络不稳定性（regulatory network instability）。这些概念被视为可操作但尚未验证的构念。调控网络不稳定性区别于稳定的疾病相关失调，阈值样行为被视为一种经验可能性，而非神经发育疾病的假定属性。研究人员提出五个可证伪预测，考虑基因组、转录组、表观基因组、单细胞、空间、影像、神经生理和纵向表型证据如何提供互补的机制约束，并勾勒出非诊断性基因组检测后的可审计工作流程。研究人员区分了临床已实施方法与转化性、新兴和概念性应用，并强调校准、证据可追溯性、领域有效性、前瞻性验证和适当弃权（abstention）。最后，研究人员将不稳定性孪生（Instability Twin）描述为由可独立测试的患者特异性子模型组成的前瞻性架构，而非现有临床平台。核心命题是：系统神经基因组学应通过机制约束整合是否提供超越既定基因水平和更简单多模态方法的可重现信息来评估。
1. 引言
神经发育障碍（NDDs）具有高度遗传和表型异质性；全基因组检测虽提高了分子诊断率，但仍有许多个体未获诊断，且已诊断者仍存在表型变异、发育轨迹、组织特异性、预后和治疗反应等不确定性。系统神经基因组学旨在通过连接基因组变异与分子、细胞、发育和临床测量来探讨这些关系，而非单纯增加数据模态。AI是使能方法，其价值取决于能否在既定基因水平与更简单方法之上提供可重现信息。本文聚焦罕见和遗传富集型NDDs。
2. 系统神经基因组学：概念框架
2.1 将变异水平诊断扩展至系统水平解读：系统视角补充而非替代基因/变异层面推理。2.2 调控负荷、网络容量与发育缓冲：负荷是有效扰动负担；容量是制约扰动传播的系统性质；缓冲是观察到的扰动衰减；二者不应由结局倒推。2.3 调控网络不稳定性作为特定假设：失调不等于不稳定；不稳定需要状态维持、转换或恢复保真度下降的证据。2.4 转录变异性作为候选读数：需扣除技术、细胞组成和发育状态等混杂后的残余生物学变异。2.5 连续、非线性与阈值样响应：阈值样行为需与连续/非线性模型比较并重复验证。2.6 框架的可检验预测：提出五个可证伪预测。2.7 核心AI方法：监督、无监督、序列模型与基础模型；就绪度按预期用途区分。
3. AI辅助基因组变异解读
3.1 变异优先级排序：REVEL、CADD、AlphaMissense等工具应作为假设生成手段，不独立确立致病性；需锚定ACMG/AMP和ClinGen框架。3.2 AI与RNA/剪接预测：剪接预测提供转录后果假设，RNA测序可直接观察剪接异常，组织相关性至关重要；RNA证据强度按ClinGen SVI指南应用。3.3 结构神经基因组学：AlphaFold等提供结构背景，但不替代功能证据。3.4 变异解读的挑战：方向敏感机制、发育限制、细胞类型特异性、外显率和表现度等使解读复杂；计算预测应通过正交功能检测后再分类。
4. AI辅助表型组学与罕见病诊断
4.1 人类表型本体（HPO）与计算表型：HPO提供可计算表型词汇，自动提取工具需处理否定、不确定性和时间性。4.2 面部AI与畸形学及FaceMatch平台：GestaltMatcher、Face2Gene/DeepGestalt和FaceMatch提供表型支持，需注意伦理、隐私和跨群体验证。4.3 多模态诊断与跨尺度约束：各模态约束不同生物学尺度；弥散MRI、脑电图/脑磁图（EEG/MEG）网络状态依赖，需状态标注和协变量控制。4.4 神经发育障碍深度表型：需结构化纵向表型（癫痫发作类型、脑电图特征、治疗反应、发育轨迹等），粗表型限制基因组解读。
5. AI在表观基因组学与染色质疾病
5.1 神经发育中的表观基因组调控：表观机制参与神经发育；疾病相关甲基化特征是分布式高维模式。5.2 DNA甲基化表观特征在诊断和变异解读中的应用：经验证的分类器可提供分子支持，但阳性不等于致病性，阴性/边界结果需按领域解释。5.3 染色质病作为系统疾病：染色质病展示系统扩展价值，但重叠表型不直接证明不稳定性；ARID1B相关疾病为例。5.4 AI与染色质状态建模：EPInformer、AlphaGenome等可生成调控假设，需跨模态收敛而非分数堆叠。
6. AI在转录组学与单细胞神经基因组学
6.1 单细胞转录组学与脑细胞图谱：识别候选基因活跃的细胞类型和发育阶段；基础模型仍有图谱覆盖和批次效应等限制。6.2 空间转录组学与解剖先验：将表达与皮质分层、核团和局部细胞邻域关联，提名易感细胞群。6.3 发育轨迹建模：患者来源细胞、诱导多能干细胞（iPSC）和类器官可测试轨迹偏离；纵向/扰动数据优于横断面数据。
7. 多组学整合与系统神经基因组学
7.1
