Combining MAVEs and computational predictors improves variant classification across ancestries in hereditary cancer genes

Combinaison, calibrée selon l'ACMG/AMP, des preuves MAVE et de prédicteurs d'effet de variants indépendants des données de population

De nombreux prédicteurs d'effet de variants présentent un biais lié à l'ascendance, car ils sont entraînés sur des données cliniques ou populationnelles qui sous-représentent la diversité mondiale. Les auteurs comparent la classification fondée sur les essais multiplexés d'effet de variants (MAVE) et sur trois prédicteurs indépendants des données de population (GEMME, EVE, CPT-1), calibrés selon les recommandations ACMG/AMP, pour cinq gènes associés au cancer disposant de jeux MAVE de haute qualité. Les MAVE sont plus conservateurs et plus tranchés (moins de variants classés pathogènes, moins de classifications indéterminées) et plus sensibles dans les régions testées fonctionnellement, tandis que les prédicteurs identifient un éventail plus large de variants pathogènes. En combinant les niveaux de preuve des deux approches, plus de 90 % des variants de signification incertaine des jeux de référence SG10K_Health et Mexico City Prospective Study sont reclassés au moins comme probablement bénins ou probablement pathogènes. Les variants dont les classifications divergent sont isolés pour pointer les limites propres à chaque méthode.

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

L'intérêt est double : des preuves qui ne dépendent pas de l'ascendance du patient, et une complémentarité chiffrée entre données expérimentales et prédiction. Le taux de reclassification de plus de 90 % porte toutefois sur des jeux de référence populationnels et non sur des patients, et l'abstract ne nomme pas les cinq gènes ni ne donne le nombre de variants concernés. L'approche reste bornée aux gènes déjà couverts par un MAVE de qualité.

Analyse par Dr Thibaut Benquey