Analyzing the performance of deep learning splice prediction algorithms.

Benchmark indépendant de 3 implémentations de SpliceAI : seuils inadaptés pour les variants introniques profonds

SpliceAI et ses deux implémentations open-source (OpenSpliceAI et CI-SpliceAI) ont été évaluées indépendamment sur 6 datasets incluant 1 316 variants validés, 213 variants avec données de test d'épissage, 99 601 variants SPiP, 242 variants introniques profonds pathogènes manuellement curés et deux datasets ClinVar. Les trois algorithmes de deep learning surpassent l'ensemble de 4 outils classiques. Point critique : pour les variants introniques profonds, les seuils optimaux sont 10 fois plus bas que les recommandations standards, signifiant que les seuils par défaut manquent la majorité des variants pathogènes profonds introniques.

Synthèse rédigée par Geno'X. Pour l'abstract original complet, consulter la publication source.

Ce benchmark est un apport pratique direct pour les laboratoires de diagnostic moléculaire : il démontre que les implémentations open-source reproduisent fidèlement SpliceAI (>90 % de concordance positionnelle), levant l'obstacle du licensing restrictif. Surtout, il alerte sur les seuils par défaut inadaptés aux variants introniques profonds — une information cruciale pour les équipes pratiquant la reanalyse de WGS avec recherche de variants non-codants.

Impact clinique : 2/3 · Solidité de l'évidence : 3/3 · Nouveauté : 1/2 · Effectif : 1/1 · Qualité du journal : 0/1 → Total : 7/10