《PLOS Genetics》:PERADIGM: Phenotype embedding similarity-based rare disease gene mapping
编辑推荐:
识别与罕见疾病相关的基因仍然具有挑战性,因为患者稀少且传统关联方法的统计功效有限。研究人员在此介绍PERADIGM(基于表型嵌入相似性的罕见疾病基因定位,Phenotype Embedding similarity-based RAre DIsease Gen
识别与罕见疾病相关的基因仍然具有挑战性,因为患者稀少且传统关联方法的统计功效有限。研究人员在此介绍PERADIGM(基于表型嵌入相似性的罕见疾病基因定位,Phenotype Embedding similarity-based RAre DIsease Gene Mapping),这是一个新颖的框架,利用自然语言处理技术整合来自电子健康记录(EHR)的综合表型信息,用于罕见疾病基因发现。PERADIGM采用嵌入模型来捕获国际疾病分类第十次修订版(ICD-10)代码之间的关系,提供个体表型的细致表示。通过利用患者相似性得分,它增强了与疾病特异性表型相关的候选基因的识别,超越了依赖二元疾病状态的传统方法。研究人员将PERADIGM应用于英国生物银行(UK Biobank)数据集中三种罕见疾病:常染色体显性多囊肾病(ADPKD)、马凡综合征(Marfan syndrome)和1型神经纤维瘤病(NF1)。PERADIGM识别出与ADPKD相关和马凡综合征相关表型的额外候选基因,其中一些得到现有文献支持,并展示了在NF1特异性表型中超越传统方法的增强信号检测能力。研究人员的发现证明了PERADIGM通过整合表型嵌入和患者相似性来识别与罕见疾病及相关表型相关的基因的潜力,为精准医学和更深入理解罕见疾病遗传学及临床表现提供了有力工具。
**论文解读:PERADIGM——基于表型嵌入相似性的罕见疾病基因定位框架**
**研究背景与问题**
罕见疾病基因发现面临核心挑战:患者数量稀少,传统关联方法(如Burden test、SKAT、SKAT-O)在罕见表型下统计功效极低,即使在大型生物银行(如UK Biobank)中,特定罕见疾病患者数常不足百人。传统方法依赖二元疾病状态(患病/未患病),忽略了电子健康记录(EHR)中丰富的ICD-10代码所蕴含的纵向表型信息。此外,部分患者可能因诊断不完整或延迟导致编码缺失,进一步削弱了基于二元状态的分析能力。已有研究表明,携带致病性罕见变异的个体常表现出超出主诊断的独特表型谱,但现有方法未充分利用这一信息。为此,研究人员开发了PERADIGM(Phenotype Embedding similarity-based RAre DIsease Gene Mapping),旨在通过自然语言处理(NLP)技术整合综合表型信息,提升罕见疾病基因发现能力。该研究发表在《PLOS Genetics》。
**主要技术方法**
1. **表型嵌入模型**:采用连续词袋(CBOW)Word2Vec模型,基于UK Biobank住院患者数据中的ICD-10代码序列,为每个ICD-10代码生成静态嵌入向量。
2. **个体表型嵌入**:通过加权平均方式聚合个体所有ICD-10代码的嵌入向量,权重由两个因素决定:①该ICD-10代码与目标疾病的关联显著性(通过逻辑回归p值经sigmoid映射至[0.5,1]);②该代码在生物银行中的稀有度(信息含量公式)。仅采用频率低于中位数的ICD-10代码构建嵌入,以突出罕见表型信息。
3. **基因风险评分**:对每个候选基因,计算其罕见功能丧失(LoF)变异携带者与目标疾病患者之间的平均余弦相似度,作为该基因的风险评分。通过从UK Biobank 200K数据集中随机抽取同等数量个体(重复10,000次)构建经验零分布,计算观测评分的Z值及p值,经Bonferroni校正后判定显著性。
4. **样本队列来源**:分析基于UK Biobank 200K外显子测序数据,经质量控制后保留121,330名欧洲血统无关个体。疾病队列定义:ADPKD(ICD-10: Q61.2/Q61.3)、马凡综合征(Q87.4)、NF1(Q85.0)。
**研究结果**
**Overview of PERADIGM**
PERADIGM是一个两阶段统计框架:第一阶段利用Word2Vec生成个体表型嵌入;第二阶段计算基因特异性风险评分,假设与目标疾病表型相关的基因会使其LoF携带者与疾病患者之间表现出更高的表型嵌入相似性。通过随机抽样评估显著性。
**ADPKD**
在ADPKD分析中,PERADIGM在全基因组扫描后识别出三个显著基因(PKD1、PKD2、IFT140),而SKAT-O仅识别出PKD1和PKD2。IFT140是纤毛病变(ciliopathies)相关基因,近期被报道为肾囊肿形成的单基因原因,但仅有6名IFT140 LoF携带者同时被诊断为ADPKD,导致SKAT-O无法检测。PERADIGM还识别出ALG8、ALG9、COL4A1等边缘显著基因,这些基因的LoF携带者与ADPKD诊断重叠极少。排除慢性肾病(CKD)患者后,所有显著基因保持不变,验证了稳健性。
**Marfan syndrome**
在马凡综合征分析中,PERADIGM识别出FBN1和COL5A1两个显著基因,而SKAT-O仅识别FBN1。COL5A1主要与埃勒斯-丹洛斯综合征(EDS)相关,但两者存在结缔组织异常重叠,26名COL5A1 LoF携带者无一被诊断为马凡综合征。使用预先选择的马凡综合征相关表型(仅用马凡综合征ICD-10代码)进行嵌入后,额外识别出TGFBR2等六个基因,其中TGFBR2与Loeys-Dietz综合征相关,其表型与马凡综合征重叠。
**NF1**
在NF1分析中,PERADIGM仅识别出NF1基因本身,与SKAT-O结果一致。但QQ图显示尾部偏离,提示潜在信号。前10名基因中,P2RX4编码嘌呤能受体,与NF1微胶质细胞功能障碍相关。SPRED1和LZTR1(已知与NF1表型相关)在PERADIGM中显示边缘显著性,而SKAT-O仅对LZTR1有边缘信号,因SPRED1携带者无NF1诊断。PERADIGM通过表型相似性捕获了这些关联。
**讨论与结论**
PERADIGM的核心创新在于从二元疾病-基因关联转向基于表型相似性的框架,通过NLP嵌入模型整合综合表型信息,从而提升罕见疾病基因发现的统计功效。在三个疾病案例中,PERADIGM不仅验证了已知主效基因,还识别出多个传统方法遗漏的候选基因,这些基因可能通过共享通路或重叠表型影响疾病表现。讨论部分指出,PERADIGM的局限性包括:当前仅分析欧洲血统人群(UK Biobank),仅关注LoF变异(未纳入有害错义变异),且依赖ICD-10编码的跨队列可转移性。未来方向包括扩展至多祖先数据集、整合多种变异注释以及采用上下文感知模型(如BERT)提升嵌入质量。
**研究结论**:PERADIGM通过整合表型嵌入和患者相似性,能够有效识别与罕见疾病及其特异性表型相关的基因,为精准医学和罕见疾病遗传学理解提供了强有力的工具。