V. ФУНДАМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ

5.1.8. Автоматизация обработки результатов высокопроизводительного секвенирования, позволяющей проводить биоинформатический анализ данных секвенирования образцов по единой методике и при минимальном ручном труде

Развитие методов высокопроизводительного секвенирования открыло возможности для широкого использования генетического тестирования в клинических условиях для диагностики моногенных заболеваний и определения генетических рисков мультифакторных заболеваний [1]. Анализ данных секвенирования обычно проводится вручную генетиками с помощью инструментов биоинформатики и различных этапов фильтрации и интерпретации для выявления диагностических вариантов, связанных с фенотипами пациентов. В целом при обработке и интерпретации результатов высокопроизводительного секвенирования можно выделить ряд возникающих трудностей, которые условно можно разбить на три группы: достоверное определение спектра вариантов генома в исследуемом образце; однозначная аннотация эффекта найденных вариантов; поиск и интерпретация клинической значимости потенциальных вариантов-кандидатов.

Для решения первых двух задач разрабатываются автоматизированные вычислительные платформы (вычислительные конвейеры), которые позволяют проводить биоинформатический анализ результатов высокопроизводительного секвенирования по единой методике и при минимальном ручном труде. В ходе работы конвейера выполняются следующие шаги: контроль качества прочтений, полученных при секвенировании; фильтрация прочтений; выравнивание прочтений на референсный геном человека и пост-процессинг выравниваний, в частности, удаление дубликатов; анализ качества секвенирования в целом, в частности, оценка ширины и глубины покрытия целевых участков генома; определение пола образцов. Конвейер должен обеспечить выявление максимально полного спектра вариантов генома (однонуклеотидных вариантов, коротких вставок и удалений) с последующей «мягкой» фильтрацией, маркирующей варианты с низким качеством, предположительно являющиеся ошибками технологии секвенирования. Для решения данной задачи используются различные программные решения [2, 3].

Важным результатом работы конвейера, решающим вторую задачу, является аннотация найденных вариантов, то есть картирование вариантов на координаты генов и определение изменений в последовательности генов, вызванных вариантами генома: несинонимичные или синонимичные замены, вставки или удаления, сдвигающие рамку считывания гена и тому подобное. Для этого используются доступные автоматизированные инструменты, например, Ensembl Variant Effect Predictor [4]. Результатом данного этапа является приоритизация всех обнаруженных вариантов по степени их возможного влияния на функции генов и регуляторных элементов генома. Данный этап должен учитывать сложность организации генома с точки зрения наличия множественных транскриптов у большинства генов и большого количества некодирующих генов. Как правило, в данный этап интегрированы инструменты для предсказания функционального эффекта отдельных классов вариантов, например, несинонимичных [5, 6] или вариантов, влияющих на сплайсинг транскриптов генов [7]. В результате разработки системы для хранения и анализа геномных данных популяционных и клинических когорт возникнет возможность описания спектров геномных вариантов, характерных для группы пациентов или популяционных контролей. Такая информация дает возможность проводить быструю приоритизацию вариантов индивидуального генома с учетом встречаемости исследуемых вариантов в популяционных и клинических образцах. Также возникает возможность интегрировать в систему негенетические данные о фенотипах загруженных образцов и осуществлять статистико-генетический анализ ассоциаций с фенотипом в рамках различных моделей (например, линейная или логистическая регрессия с ковариатами), а также расчет шкал генетического риска.

Сообщества медицинских генетиков сформулировали рекомендации для решения проблемы стандартизация интерпретации результатов секвенирования [8, 9]. Помимо того, что этот процесс является трудоемким и занимает много времени, на него влияют индивидуальный опыт и предпочтения специалистов [10]. Для ускорения и автоматизации процесса интерпретации и преодоления фактора субъективности разрабатываются программные решения для приоритизации вариантов-кандидатов, основанные на современных методах машинного обучения [11, 12], в том числе для различных групп нозологий [13, 14]. Помимо автоматизации, они также могут существенно ускорять процесс обработки результатов высокопроизводительного секвенирования, что может быть критически важно в определенных клинических ситуациях [15].

Список литературы

1. Ku C-S., Cooper D.N., Polychronakos C., et al (2012) Exome sequencing: dual role as a discovery and diagnostic tool. Ann Neurol 71:5-14. doi:10.1002/ana.22647.
2. Zhao S., Agafonov O., Azab A., et al (2020) Accuracy and efficiency of germline variant calling pipelines for human genome data. Sci Rep 10:20222. doi:10.1038/s41598-020-77218-4.
3. Barbitoff Y.A., Abasov R., Tvorogova V.E., et al (2022) Systematic benchmark of state-of-the-art variant calling pipelines identifies major factors affecting accuracy of coding sequence variant discovery. BMC Genomics 23:155. doi:10.1186/s12864-022-08365-3.
4. McLaren W., Gil L., Hunt S.E., et al (2016) The Ensembl Variant Effect Predictor. Genome Biol 17:122. doi:10.1186/s13059-016-0974-4.
5. Li J., Zhao T., Zhang Y., et al (2018) Performance evaluation of pathogenicity-computation methods for missense variants. Nucleic Acids Res 46:7793-7804. doi:10.1093/nar/gky678.
6. Katsonis P., Wilhelm K., Williams A., Lichtarge O. (2022) Genome interpretation using in silico predictors of variant impact. Hum Genet 141:1549–1577. doi:10.1007/s00439-022-02457-6.
7. Jaganathan K., Kyriazopoulou Panagiotopoulou S., McRae J.F., et al (2019) Predicting Splicing from Primary Sequence with Deep Learning. Cell 176:535-548.e24. doi:10.1016/j.cell.2018.12.015.
8. Richards S., Aziz N., Bale S., et al (2015) Standards and Guidelines for the Interpretation of Sequence Variants: A Joint Consensus Recommendation of the American College of Medical Genetics and Genomics and the Association for Molecular Pathology. Genet Med 17:405-424. doi:10.1038/gim.2015.30.
9. Рыжкова О.П., Кардымон О.Л., Прохорчук Е.Б., et al (2017) Руководство по интерпретации данных, полученных методами массового параллельного секвенирования (MPS). Медицинская генетика 16:4-17.
10. Amendola L.M., Jarvik G.P., Leo M.C., et al (2016) Performance of ACMG-AMP Variant-Interpretation Guidelines among Nine Laboratories in the Clinical Sequencing Exploratory Research Consortium. Am J Hum Genet 99:247. doi:10.1016/j.ajhg.2016.06.001.
11. Meng L., Attali R., Talmy T., et al (2023) Evaluation of an Automated Genome Interpretation Model for Rare Disease Routinely Used in a Clinical Genetic Lab. Genetics in Medicine 0: doi:10.1016/ j.gim.2023.100830.
12. Zhou W.Z., Zhang Y., Zhu G., Shen H., et al (2022) HTAADVar: Aggregation and fully automated clinical interpretation of genetic variants in heritable thoracic aortic aneurysm and dissection. Genet Med. 24(12):2544-2554. doi:10.1016/j.gim.2022.08.024.
13. Nicora G., Limongelli I., Gambelli P., et al. (2018) CardioVAI: an automatic implementation of ACMG-AMP variant interpretation guidelines in the diagnosis of cardiovascular diseases. Hum Mutat. 39:1835-1846. doi:10.1002/humu.23665.
14. Whiffin N., Walsh R., Govind R., et al (2018) CardioClassifier: disease-and gene-specific computational decision support for clinical genome interpretation. Genet Med. 20:1246-1254. doi:10.1038/ gim.2017.258.
15. Clark M.M., Hildreth A., Batalov S., et al (2019) Diagnosis of genetic diseases in seriously ill children by rapid whole-genome sequencing and automated phenotyping and interpretation. Science Translational Medicine 11:eaat6177. doi:10.1126/scitranslmed.aat6177.

5.1.9. Изучение генетических факторов в формировании ответа организма человека на лекарственные средства с целью разработки терапевтических алгоритмов лечения с учетом индивидуальных генетических особенностей пациентов

Достижения в области геномной медицины способствовали переходу традиционной фармакогенетики, фокусирующийся на взаимосвязи «ген – лекарство», в фармакогеномику – движущую силу персонализированный медицины, охватывающую все области «омики» [1]. ВНП в генах, связанные с метаболизмом лекарственных средств, вносят дополнительный вклад в изменение фармакокинетики препаратов и могут сопровождаться как развитием нежелательных реакций, так и снижением эффективности медикаментозной терапии, ухудшением течения заболевания. Знание генетических особенностей пациента позволяет индивидуализировать выбор и режим назначения лекарственных препаратов и тем самым повысить эффективность проводимого лечения, минимизировать частоту побочных эффектов [2]. Кроме этого, оптимизация лекарственной терапии на основе результатов фармакогенетического тестирования – экономически эффективный метод [3].

Рекомендации «Консорциума по внедрению клинической фармакогенетики» (CPIC) [4], а также рекомендации профессиональных сообществ, аннотированные в базе фармакогенетических данных «Pharmacogenomics Knowledgebase» (PharmGKB) [5], позволяют имплементировать результаты фармакогенетического тестирования в реальную клиническую практику для подбора не только эффективной, но и безопасной терапии, в том числе у пациентов с ССЗ [6].

Например, основополагающим принципом лечения гиперхолестеринемии является снижение уровня холестерина. Статины, как основной класс гиполипидемических препаратов, занимают одно из ключевых мест в международных клинических рекомендациях по лечению и профилактике ССЗ [7-8]. Фармакогенетическое тестирование позволяет выявлять ВНП в генах, влияющих на метаболизм статинов (CYP3A4, CYP3А5, CYP2C9, CYP2C19, CYP2D6, ABCB1, SLCO1B1 и других) и прогнозировать индивидуальный фармакокенетический ответ пациента при их назначении [9-10]. С целью выбора наиболее подходящего статина и его максимально переносимой дозы, предупреждения развития статин-индуцированной миопатии, генотипирование SLCO1B1, ABCG2 и CYP2C9 было включено в обновленные рекомендации СPIC по фармакогенетическому тестированию [10]. Следует отметить, что, минимизируя побочные эффекты, индивидуальный подбор гиполипидемической терапии на основании фармакогенетического тестирования может повлиять на приверженность пациентов назначенному лечению и долгосрочную эффективность терапии статинами [10].

Для обеспечения наиболее безопасной фармакотерапии и предотвращения необоснованной полипрагмазии, мультиморбидным пациентам также следует проводить фармакогенетическое тестирование. Заранее известный фармакологический ответ позволит персонализированно подойти к выбору лекарственных препаратов для каждого конкретного пациента, тем самым предотвратить не только развитие нежелательных реакций, но и обеспечить назначение наиболее эффективной терапии, что крайне важно для пациентов с мультиморбидностью и плохим прогнозом заболевания [11].

Таким образом, фармакогенетическое тестирование является проспективной возможностью подбора обоснованной медикаментозной терапии в оптимальной дозе, верном сочетании каждому конкретному пациенту. Заблаговременное проведение фармакогенетического тестирования позволит подобрать лечащему врачу наиболее подходящую комбинацию лекарственных препаратов, минимизировать частоту побочных эффектов, повысить приверженность к назначенной терапии и эффективность проводимого лечения. С целью своевременной оптимизации подбора лекарственной терапии, необходимо рассмотрение возможности внедрения фармакогенетического тестирования не только в специализированных медицинских учреждения, но и в медицинских учреждениях первичного звена.

Список литературы

1. Sadee W., Wang D., Hartmann K., Toland A.E. Pharmacogenomics: Driving Personalized Medicine. Pharmacol Rev. 2023. – Vol. 75. – № 2. doi:10.1124/pharmrev.122.000810.
2. Cecchin E., Stocco G. Pharmacogenomics and Personalized Medicine. Genes. 2022;11(6):679. doi:10.3390/genes11060679.
3. Morris S.A, Alsaidi A.T., Verbyla A., et al. Cost Effectiveness of Pharmacogenetic Testing for Drugs with Clinical Pharmacogenetics Implementation Consortium (CPIC) Guidelines: A Systematic Review. Clin Pharmacol Ther. 2022. – Vol. 112. – № 6. – Р. 1318–1328. doi:10.1002/cpt.2754.
4. CPIC. URL: https://cpicpgx.org/ (дата обращения 12.04.2023).
5. PharmGKB. URL: https://www.pharmgkb.org/ (дата обращения 12.04.2023).
6. Duarte J.D., Cavallari L.H. Pharmacogenetics to guide cardiovascular drug therapy. Nat Rev Cardiol. 2021. – Vol. 18. – № 9. – Р. 649–665. doi:10.1038/s41569-021-00549-w.
7. Mach F., Baigent C., Catapano A. L., et al. 2019 ESC/EAS Guidelines for the management of dyslipidaemias: Lipid modification to reduce cardiovascular risk. Eur Heart J. 2020;41(1):111-188. doi:10.1093/eurheartj/ehz455.
8. Российское кардиологическое общество. Клинические рекомендации. Нарушение липидного обмена. Год утверждения: 2023.
9. Dagli-Hernandez С., Zhou Y., Lauschke V.M., et al. Pharmacogenomics of statins: lipid response and other outcomes in Brazilian cohorts. Pharmacol Rep. 2022;74:47-66. doi:doi.org/10.1007/s43440-021-00319-y.
10. Cooper-DeHoff R.M., Niemi M., Ramsey L.B., et al. The Clinical Pharmacogenetics Implementation Consortium Guideline for SLCO1B1, ABCG2, and CYP2C9 genotypes and Statin-Associated Musculoskeletal Symptoms. Clin Pharmacol Ther. 2022;111(5):1007-1021. doi:10.1002/ cpt.2557.
11. J. O’Shea, M. Ledwidge, J. Gallagher, et al. Pharmacogenetic interventions to improve outcomes in patients with multimorbidity or prescribed polypharmacy: a systematic review. Pharmacogenomics. 2022;22:89-99. doi:10.1038/s41397-021-00260-6.