Variant impact score: hoe computers inschatten of een DNA-fout gevaarlijk is
Stel je het menselijk DNA voor als een kookboek van drie miljard letters. Bij vrijwel iedereen zitten er ergens typefouten in dat boek: kleine afwijkingen in de tekst, ontstaan door toeval bij de kopie van ouder op kind. De meeste van die typefouten zijn onschuldig, zoals een komma die verschuift. Maar soms verandert een fout de instructie "bak 10 minuten" in "bak 100 minuten", met grote gevolgen voor het eindresultaat. Een variant impact score is een cijfer dat een computer toekent aan zo'n DNA-typefout, als schatting van hoe ernstig de gevolgen waarschijnlijk zijn.
Dat cijfer is belangrijk omdat DNA-onderzoek tegenwoordig razendsnel gaat, maar het begrijpen ervan niet. Als bij een patiënt met een onverklaarde ziekte het hele genoom wordt afgelezen, vinden onderzoekers vaak duizenden afwijkingen ten opzichte van een referentiegenoom. Welke daarvan is de oorzaak van de ziekte, en welke zijn onschuldige variatie die iedereen heeft? Een variant impact score helpt om die stapel af te bakenen tot een handvol verdachten die verder onderzoek verdienen.
Wat is het precies?
Het menselijk lichaam bouwt eiwitten op basis van de instructies in genen. Een gen is opgebouwd uit een reeks DNA-letters die in groepjes van drie ("codons") coderen voor aminozuren, de bouwstenen van eiwitten. Een missense-variant is een verandering van één DNA-letter die ervoor zorgt dat er een ander aminozuur wordt ingebouwd dan bedoeld. Soms maakt dat weinig uit, soms verstoort het de vouwing of werking van het eiwit volledig.
Om te voorspellen hoe schadelijk zo'n verandering is, combineren computermodellen meestal drie soorten informatie. Ten eerste evolutionaire conservering: als een bepaalde plek in een gen bij mensen, muizen, vissen en fruitvliegen al miljoenen jaren ongewijzigd blijft, is de kans groot dat die plek cruciaal is en dat een verandering daar schade aanricht. Ten tweede de voorspelde structuur en functie van het eiwit: verstoort de verandering de vouwing, de bindingsplaats voor andere moleculen, of de stabiliteit? Ten derde trainen onderzoekers modellen op databases van al bekende varianten die in de kliniek als "onschuldig" of "ziekteverwekkend" zijn geclassificeerd, zodat het model patronen leert herkennen.
Bekende voorbeelden van dit type gereedschap zijn SIFT en PolyPhen-2, twee van de oudere, op regels gebaseerde methoden, en CADD (Combined Annotation Dependent Depletion), ontwikkeld aan de University of Washington, dat tientallen kenmerken combineert in één score. Recenter gebruiken tools als REVEL en AlphaMissense van Google DeepMind machine learning en op eiwitstructuur getrainde neurale netwerken om nauwkeuriger voorspellingen te doen. De uitkomst is meestal een getal tussen 0 en 1, waarbij een hogere waarde duidt op een grotere kans dat de variant schadelijk is. Klinisch genetici gebruiken vaste drempelwaarden om varianten voorlopig in te delen als "waarschijnlijk onschadelijk", "onduidelijk" of "waarschijnlijk pathogeen".
Wat wil men ermee bereiken?
Het grootste praktische probleem dat deze scores moeten oplossen heet in vaktaal het VUS-probleem: Variant of Uncertain Significance, of variant van onzekere betekenis. Wereldwijd zitten er in klinische databases miljoenen varianten waarvan niemand met zekerheid weet of ze ziekte veroorzaken. Voor een patiënt en zijn familie is dat frustrerend: een DNA-test vindt iets, maar de arts kan niet zeggen of het relevant is. Betere impact scores moeten die stapel onzekere varianten verkleinen, zodat sneller een diagnose gesteld kan worden bij zeldzame en erfelijke ziekten.
Daarnaast helpen deze scores onderzoekers om prioriteiten te stellen. Bij onderzoek naar kanker of hart- en vaatziekten vindt sequencing al snel duizenden varianten per patiënt; een score filtert welke varianten de moeite waard zijn om in het laboratorium verder te testen. Op langere termijn hopen wetenschappers dat goede voorspellingen ook nieuwe aangrijpingspunten voor medicijnen blootleggen, en dat bevolkingsonderzoek en preventieve geneeskunde er baat bij hebben: als je vooraf weet welke varianten risicoverhogend zijn, kun je gerichter screenen op ziekten voordat ze zich openbaren.
Voorbeelden uit de praktijk
Een aantal projecten laat zien hoe dit veld zich ontwikkelt. AlphaMissense, gepubliceerd door Google DeepMind in het tijdschrift Science in 2023, gebruikte technieken die zijn afgeleid van het eiwitvouwingsprogramma AlphaFold om voor ongeveer 71 miljoen mogelijke missense-varianten in menselijke eiwitten een impact score te berekenen, nog voordat die varianten ooit in een patiënt zijn waargenomen.
CADD werd vanaf 2014 ontwikkeld door onderzoekers rond Martin Kircher en Jay Shendure aan de University of Washington en wordt sindsdien continu bijgewerkt; het is een van de meest gebruikte scores in klinisch-genetische laboratoria wereldwijd.
De ACMG/AMP-richtlijnen uit 2015, opgesteld door het American College of Medical Genetics and Genomics, bepalen hoe klinische laboratoria varianten officieel classificeren. Computationele impact scores mogen daarin alleen als ondersteunend bewijs meewegen (de zogeheten PP3- en BP4-criteria), naast andere bewijslijnen zoals familiegeschiedenis en functionele lab-experimenten.
Het 100.000 Genomes Project van Genomics England, gestart in de jaren 2012-2013, sequencede het volledige genoom van patiënten met zeldzame ziekten en kanker in het Britse zorgstelsel, en leverde een schat aan data waarop nieuwe scoringsmethoden getest konden worden.
Ook het UK Biobank exome-sequencing project, uitgevoerd in samenwerking met onder meer het Regeneron Genetics Center en AstraZeneca, sequencede het DNA van honderdduizenden Britse deelnemers en wordt gebruikt om te toetsen of voorspelde impactscores overeenkomen met werkelijke gezondheidsuitkomsten in de bevolking.
Hoe ver is de techniek?
Variant impact scores zijn al een standaardonderdeel van klinisch-genetisch onderzoek, maar ze zijn geen orakel. Zelfs de nieuwste modellen als AlphaMissense maken fouten, vooral bij varianten die zeldzaam zijn of die voorkomen in bevolkingsgroepen die ondervertegenwoordigd waren in de trainingsdata, veelal mensen van niet-Europese afkomst. Dat is een erkend probleem in het veld: de meeste referentiedatabases met "bekende" pathogene en onschuldige varianten zijn historisch gedomineerd door onderzoek in Europese en Noord-Amerikaanse populaties.
Een andere beperking is dat de meeste scores het beste werken voor missense-varianten in eiwitcoderende genen. Varianten die het splitsen ("splicing") van RNA verstoren, in regulerende DNA-gebieden liggen, of grote structurele herschikkingen betreffen, zijn veel moeilijker te scoren; daarvoor zijn aparte gespecialiseerde tools nodig, zoals SpliceAI.
Vanwege die onzekerheden schrijven de ACMG/AMP-richtlijnen voor dat een hoge of lage impact score nooit als enig bewijs mag dienen om een variant als ziekteverwekkend of onschuldig te bestempelen; er is altijd aanvullend bewijs nodig, idealiter functionele validatie in het laboratorium. De ontwikkeling gaat wel snel: sinds de doorbraak van AlphaFold in eiwitstructuurvoorspelling verschijnen er jaarlijks nieuwe, nauwkeuriger modellen, en grote biobanken leveren steeds meer data om die modellen te toetsen aan echte gezondheidsuitkomsten.
Wie werken eraan?
Google DeepMind is met AlphaMissense een van de meest invloedrijke recente spelers, dankzij hun ervaring met AlphaFold. Het Broad Institute (Massachusetts, VS) beheert gnomAD, een grote publieke database van menselijke genetische variatie die als referentie dient voor vrijwel alle impact-scoremodellen. De University of Washington is de bakermat van CADD en levert al meer dan tien jaar bijdragen aan dit vakgebied.
Het Amerikaanse National Center for Biotechnology Information (NCBI), onderdeel van de National Institutes of Health (NIH), beheert ClinVar, de belangrijkste publieke database waarin klinische classificaties van varianten worden verzameld. Het ClinGen-consortium (Clinical Genome Resource), ook door de NIH gefinancierd, brengt internationale expertgroepen samen om standaarden voor variantclassificatie te ontwikkelen en te onderhouden.
Op bedrijfsniveau speelt Illumina, de grootste producent van DNA-sequencingapparatuur, een rol met eigen voorspellingsmodellen zoals PrimateAI en SpliceAI. Klinische laboratoria zoals Invitae en Ambry Genetics in de Verenigde Staten passen deze scores dagelijks toe bij het duiden van testresultaten voor patiënten. In het Verenigd Koninkrijk trekt Genomics England met het 100.000 Genomes Project en het vervolgprogramma een grote rol op nationaal niveau, terwijl de UK Biobank als onafhankelijke onderzoeksinfrastructuur wereldwijd wordt gebruikt om modellen te valideren.