基于全外显子组测序数据的自闭症谱系障碍罕见变异整合评分系统AutScore.r的开发与验证

编辑推荐：为解决自闭症谱系障碍(ASD)全外显子测序(WES)数据中临床相关变异筛选效率低下的问题，以色列Ben-Gurion大学团队开发了整合评分算法AutScore/AutScore.r。该研究通过对581个ASD家系的WES数据分析，证明AutScore.r在检测临床相关变异时准确率达85%，诊断率为10.3%，性能优于现有工具AutoCaSc，为ASD精准诊断提供了高效自动化解决方案。

　　自闭症谱系障碍（ASD）是一种复杂的神经发育障碍，其遗传基础研究近年来因高通量测序技术的进步而取得重大突破。然而，从海量的全外显子测序（WES）数据中筛选出具有临床意义的ASD相关变异仍面临巨大挑战——传统方法依赖临床专家人工解读，存在效率低下、主观性强等问题。现有自动化工具如AutoCaSc虽能辅助分析，但针对ASD的特异性不足，诊断率仅维持在8-30%的水平。这些瓶颈严重制约了ASD分子诊断的临床应用和个体化治疗的发展。

以色列Ben-Gurion大学Idan Menashe团队在《Scientific Reports》发表的研究中，开发了两种ASD特异性变异优先排序算法AutScore和AutScore.r。该研究基于Azrieli国家自闭症研究中心登记的581个ASD先证者家系的WES数据，通过整合变异致病性（InterVar）、基因破坏效应（Psi-Variant）、表型-基因关联（SFARI/DisGeNET）等7个维度的生物信息学证据，构建了量化评分体系。特别创新的是，研究团队进一步采用广义线性模型优化权重分配，开发出改进版AutScore.r，使其在保持85%准确率的同时，诊断率达到10.3%。

关键技术方法包括：1）收集581个以色列ASD家系的WES数据（部分来自自闭症测序联盟ASC）；2）使用GATK和DRAGEN流程进行变异检测；3）基于InterVar和Psi-Variant筛选罕见（MAF<1%）的致病性/可能致病性（P/LP）变异；4）开发AutScore评分系统（公式：AutScore=I+P+D+S+G+C+H），涵盖ACMG分类、6种有害性预测工具（SIFT/PolyPhen-2/CADD/REVEL/M_CAP/MPC）、Domino预测的分离模式等；5）通过临床遗传学家盲法评估建立金标准；6）采用ROC曲线和约登指数确定最佳截断值。

研究结果显示：1）在分析的1161个变异（涉及687个基因）中，AutScore.r（截断值≥0.335）的曲线下面积（AUC）达0.90，显著优于原始版（0.84）和AutoCaSc；2）特异性（0.87 vs 0.13）和阳性预测值（0.79 vs 0.40）明显提升；3）发现的67个高评分变异中，79.1%被临床专家认定为"可能相关"，且76.1%位于SFARI 1级（最高置信度）基因；4）鉴定出5个新型ASD候选基因；5）在卡塔尔WGS队列验证中，对已知致病变异的检出率达70%。

讨论部分强调：1）AutScore.r通过机器学习优化权重，克服了传统评分系统的主观性；2）聚焦ASD特异性基因集（SFARI/DisGeNET）是其性能优于AutoCaSc的关键；3）当前版本尚不能分析拷贝数变异（CNVs）和复合杂合突变；4）在以色列人群中的诊断率（10.3%）与欧美研究一致，验证了工具的普适性。该研究建立的自动化分析流程已开源共享，为临床遗传实验室提供了高效、标准化的ASD变异解读方案，将显著缩短分子诊断周期并降低解读成本。未来通过整合多组学数据和扩展变异类型分析，有望进一步提升ASD的遗传诊断率。