The roads indicate the possible paths to take from location A to any point B. Similarly, in the case under consideration, the identifier rs (Reference SNP cluster ID) and chú giải GWAS helped us determine that this variant had a prior relationship with a red blood cell trait called Mean corpuscular volume.

And finally, street and building names added to the map tell us exactly where we need to go. For example, we can walk to the UW farm, have lunch at Agua Verde, or go to Husky Stadium. Regulatory annotations help us identify variants that intersect according to certain rules, such as overlapping elements that are active in red blood cells and platelets, but not in brain or bladder cells.

Variant annotation support tools

The scientific community has developed many platforms and tools to support variant annotation. Some popular variant annotation support servers include: NCBI, Ensemble, UCSC, ENCylopedia Of DNA Elements (ENCODE), Roadmap Epigenomics Consortium, FANTOM5, dbSNP, etc.

Some popular open source variant annotation tools include: spliceAI, SIFT, PROVEAN, polyphen, MutationTaster, PHAST, Mutation Assessor, M-CAP, Linsight, GERP, GenoCanyon, FIRE, fathmm, CADD, VEP, etc.

SpliceAI

SpliceAI

is an open-source artificial intelligence (AI) application software [4] announced by Illumina in 2019 [5]. SpliceAI annotates variants based on the connection of primary mRNA sequences. Using a deep learning network, spliceAI predicts junctions from a pre-mRNA transcript, setting the stage for accurate prediction of non-coding variants that cause aberrant splicing (cryptic splicing) [3]. Mutations located on non-coding segments are often overlooked in patients with rare genetic diseases, so the appearance of this software gives us more detailed information about those mutations in the gene.

SIFT

SIFT, SIFT was developed in 2011 and managed by Pauline Ng, is a tool that predicts whether amino acid substitutions affect protein function [8]. SIFT is widely used in bioinformatics, genetics, disease, and mutation studies. In 2017, a faster version of SIFT, SIFT 4G, was released, allowing users to scale up the computation and provide prediction data for more organisms. SIFT annotates and provides deleterious/tolerant predictions for single-point mutations. For insertion-deletion mutations (indels), SIFT only provides annotation results. Compared to SIFT, SIFT 4G – Sorting Intolerant From Tolerant For Genomes, is implemented on GPUs, so processing a protein takes only 3 seconds instead of 4 minutes [7].

PROVEAN

PROVEAN (Protein Variation Effect Analyzer) is a software released in 2012 with the purpose of predicting changes in biological function of proteins when there are point substitution or insertion-deletion mutations. PROVEAN works effectively in the case of filtering variant sequences to identify nonsynonymous or insertion-deletion variants that are predicted to be functionally important. The performance of PROVEAN can be comparable to popular tools such as SIFT or PolyPhen-2 [6].

Polyphen

Polyphen now known as PolyPhen-2 (Polymorphism Phenotyping v2) is a tool that predicts whether amino acid substitutions affect the structure and function of human proteins [9]. PolyPhen-2 was developed from PolyPhen for the purpose of annotating non-synonymous variants. Polyphen-2 relies on protein sequences, phylogenetic information, and structural information to annotate variants. The software considers whether the mutation is located in a region of the protein that is required for binding to other molecules to form secondary or tertiary structures. In particular, Polyphen-2 considers putative disulfide bonds, active sites, binding sites, and transmembrane domains and then performs calculations on a 3D model of the protein structure. Polyphen-2 also considers homologous proteins to see if the identified missense mutation is observed in other proteins of the same family [10].

MutationTaster

MutationTaster MutationTaster is a web-based variant annotation tool. MutationTaster evaluates variants in DNA sequences for their pathogenic potential. The software performs a series of in silico tests to estimate the effect of the variant on the gene product or protein. The tests are performed at the protein and DNA level, so MutationTaster is not limited to single amino acid substitutions but can also handle synonymous or intronic variants [11][12]. Mutation Taster is written in Perl and can process data from next generation sequencing (NGS) methods of all major platforms (Roche 454, Illumina Genome Analyzer and ABI SOLiD). MutationTaster uses a Naive Bayes classifier to decide whether the effect of all single variants is likely to be deleterious to the protein. The analysis results explain whether the change is a known or predicted pathogenic or harmless mutation and provide detailed information about the mutation [13]. The latest update of MutationTaster in 2021.

PHAST

Phylogenetic Analysis with Space/Time models – PHAST PHAST is best known as the search engine behind the conservation tracks in the University of California, Santa Cruz (UCSC) Genome Browser. PHAST is a freely available software package that includes command-line programs and supporting libraries for comparative and evolutionary genomics. PHAST also includes a number of tools for phylogenetic modeling, functional element identification, as well as utilities for manipulating genome alignments, trees, and annotations. The main subroutines of PHAST include phastCons (conservation scoring and identification of conserved elements), phyloFit (Determine the fit of phylogenetic models to aligned DNA sequences), phyloP (Calculate p-values ​​for conservation or acceleration, lineage-specific or across all branches), phastOdds (Log-odds scoring for phylogenetic models or phylo-HMMs), exoniphy (Phylogenetic exon prediction), dless (Predict lineage-specific selected elements), prequel (Probabilistic reconstruction of ancestral sequences), and phastBias (Identify GC-biased gene conversion using phylo-HMMs) [14].

Mutation Assessor

Mutation Assessor predict the functional impact of amino acid substitutions in proteins, such as mutations found in cancer or missense polymorphisms. The functional impact is assessed based on the evolutionary conservation of the affected amino acid in protein homologs. The method has been validated on a large (60k) set of disease-associated polymorphisms (OMIM) and polymorphic variants [15]. The Mutation Assessor uses multiple sequence alignment (MSA), partitioned to reflect functional specificity, and generates a conservation score for each column to represent the functional impact of an aberrant variant. The Mutation Assessor generates individual MSAs using UniProt protein sequences. These are then partitioned based on UniProt and Pfam domain boundaries, and the 3D structure is used to generate matched family and subfamily sets [16]. Launched in 2011, Mutation Assessor has gone through four releases, the most recent in 2015.

M-CAP

Mendelian Clinically Applicable Pathogenicity (M-CAP), published in 2016 by the Bejerano lab at Stanford University, is the first pathogenicity classifier for rare missense variants in the human genome that has been tuned to the sensitivity required for clinical testing. M-CAP scores only rare missense variants: hg19, ENSEMBL 75 missense, ExAC v0.3 in which no metapopulation has a minor allele frequency above 1%. If a missense variant has no M-CAP score, the M-CAP prediction is assumed to be likely benign. M-CAP uses a gradient boosting tree classifier to learn a function of input features as a linear combination of decision trees, each of which is iteratively derived to correct previously misclassified elements [18].

Linsight

Linsight, developed in 2016, predicts non-coding nucleotide positions where mutations are likely to have severe physical consequences and are therefore likely to be phenotypically important. Linsight combines a generalized linear model for functional genomics data with a probabilistic model of molecular evolution. The method is fast and highly scalable, allowing it to exploit the “Big Data” available in modern genomics. In addition, Linsight was applied to the atlas of human enhancers and showed that health consequences at enhancers depend on cell type, tissue specificity, and constraints at the enhancers involved [19].

GERP

Genomic Evolutionary Rate Profiling – GERP released in 2011, identifies elements that are constrained in multiple alignments by quantifying substitution deficits. These deficits represent substitutions that would have occurred if the DNA element had been neutral, but did not occur because the element was functionally constrained. These deficits are called “rejected substitutions.” Rejected substitutions are a measure of natural constraint, reflecting the strength of past selection on the element [20].

GenoCanyon

GenoCanyon is an unsupervised statistical genome-wide functional annotation approach. GenoCanyon integrates genomic conservation measures and biochemical annotation data to predict the functional potential at each nucleotide. Using 22 computational and experimental annotations, the tool predicts the functional potential of each position in the human genome. With GenoCanyon, many of the same known functions can be predicted. Currently, with the latest update in 2015, the official GenoCanyon website [21] has available the prediction score for the entire human genome version hg19, the prediction score, and all 22 annotations [22].

FIRE

FIRE is a genome-wide variant annotation tool. FIRE assigns a higher score to SNVs that are more likely to alter the expression levels of neighboring genes. Because FIRE is specifically designed to regulate gene expression, the FIRE score does not directly correlate with pathogenicity or deleteriousness. Additionally, FIRE is specific to mRNA-level expression regulation and does not apply to SNVs that alter protein expression independently of mRNA expression [22]

fathmm

Functional Analysis through Hidden Markov Models – fathmm was developed in 2014 as a high-throughput web server capable of predicting the functional consequences of both coding variants, i.e. non-synonymous single nucleotide variants (nsSNVs), and non-coding variants in the human genome. For non-coding variant annotation, fathmm has two options including FATHMM-MKL (which uses the MKL algorithm that integrates functional annotations from ENCODE with nucleotide-based HMMs) and FATHMM-XF (which improves the accuracy in predicting the functional consequences of non-coding and coding single nucleotide variants (SNVs)) [23].

FATHMM-XF is a significant improvement over FATHMM-MKL. By using an expanded set of feature sets and an expanded set of models, the new method delivers higher accuracy than its predecessor on independent test sets. Like FATHMM-MKL, FATHMM-XF predicts whether single nucleotide variants in the human genome are likely to be functionally active in genetic diseases. FATHMM-XF uses separate models for coding and non-coding regions, to improve overall accuracy. Unlike FATHMM-MKL, FATHMM-XF models are built on a single-kernel dataset. The models learn the interactions between data sources to increase prediction accuracy across all regions of the genome [24][25]

CADD

CADD,

developed in 2014, is a tool to assess the deleteriousness of single nucleotide variants and insertion-deletions in the human genome. Although there are many variation scoring and annotation tools, most annotations tend to exploit a single type of information (e.g., conservation) and/or are limited in scope (e.g., false positives). CADD is a tool that integrates multiple annotations into one index by comparing variants that have survived natural selection with simulated mutations.

The C-score correlates strongly with allelic diversity, pathogenicity of both coding and non-coding variants, and experimentally measured regulatory effects, and also ranks causal variants highly in individual genome sequences. Finally, the C-scores of trait-associated intronic variants from genome-wide association studies (GWAS) were significantly higher than those from matched controls and correlated with study sample size, likely reflecting the increased precision of larger GWAS.

CADD can prioritize the quantification of functional, deleterious, and disease-causing variants across a wide range of functions, effect sizes, and genetic architectures and can be used to prioritize causal variants in both research and clinical settings [26].

VEP

VEP is a software suite for annotating and analyzing most forms of genetic variation in coding and non-coding regions of the genome. VEP is available as an online tool, command-line in Perl, and via the Ensembl REST API (transfer state representation) application program interface. Each interface is optimized to support different amounts of data and levels of bioinformatics experience. All three use the same core codebase to ensure consistent results across each interface. A comprehensive test suite supports all code, with continuous integration performed by Travis CI [27].

References:

[1] Choice of transcripts and software has a large effect on variant annotation – Genome Medicine

[2] https://si.biostat.washington.edu/sites/default/files/modules/variant_annotation_v1.pdf

[3] https://www.cell.com/cell/pdf/S0092-8674(18)31629-5.pdf

[4] spliceai

[5] Illumina Releases SpliceAI, Open Source AI software for Interpretation

[6] Choi Y, Sims GE, Murphy S, Miller JR, Chan AP (2012) Predicting the Functional Effect of Amino Acid Substitutions and Indels. PLoS ONE 7(10): e46688.

[7] https://sift.bii.a-star.edu.sg/sift4g/AboutSIFT4G.html

[8] Vaser R, Adusumalli S, Leng SN, Sikic M, Ng PC (2016) SIFT missense predictions for genomes. Nat Protocols 11: 1-9. 

[9] Adzhubei IA, Schmidt S, Peshkin L, Ramensky VE, Gerasimova A, Bork P, Kondrashov AS, Sunyaev SR. Nat Methods 7(4):248-249 (2010). PubMed PDF Supplemental Information

[10] https://bredagenetics.com/polyphenpolyphen2/

[11] Schwarz, Jana Marie; Rödelsperger, Christian; Schuelke, Markus; Seelow, Dominik (2010-08-01). “MutationTaster evaluates disease-causing potential of sequence alterations”. Nature Methods. 7 (8): 575–576. doi:10.1038/nmeth0810-575. ISSN 1548-7105. PMID 20676075.

[12] Schwarz, Jana Marie; Cooper, David N; Schuelke, Markus; Seelow, Dominik (2014-03-28). “MutationTaster2: mutation prediction for the deep-sequencing age”. Nature Methods. 11 (4): 361–362. doi:10.1038/nmeth.2890. ISSN 1548-7105. PMID 24681721

[13] Simcikova D, Heneberg P (December 2019). “Refinement of evolutionary medicine predictions based on clinical evidence for the manifestations of Mendelian diseases”. Scientific Reports. 9 (1): 18577. doi:10.1038/s41598-019-54976-4. PMC 6901466. PMID 31819097

[14] Ramani R, Krumholz K, Huang Y, Siepel A (2018) PhastWeb: a web interface for evolutionary conservation scoring of multiple sequence alignments using phastCons and phyloP, Bioinformatics, Volume 35, Issue 13, Pages 2320–232

[15] MutationAssessor.org /// functional impact of protein mutations

[16] Reva B., Antipin Y., Sander C. Predicting the functional impact of protein mutations: Applications to cancer genomics. Nucleic Acids Res. (2011)

[17] Jagadeesh, K., Wenger, A., Berger, M., Guturu, H., Stenson, P., Cooper, D., Bernstein, J., and Bejerano, G. (2016). M-CAP eliminates a majority of variants with uncertain significance in clinical exomes at high sensitivity. Nature Genetics, 2016. 48 (12) 1581 DOI: 10.1038/ng.3703

[18] Jagadeesh, K., Wenger, A., Berger, M., Guturu, H., Stenson, P., Cooper, D., Bernstein, J., and Bejerano, G. (2016). M-CAP eliminates a majority of variants with uncertain significance in clinical exomes at high sensitivity. Nature Genetics, 2016. 48 (12) 1581 DOI: 10.1038/ng.370

[19] Huang YF, Gulko B, Siepel A. Fast, scalable prediction of deleterious noncoding variants from functional and population genomic data. Nat Genet. 2017;49(4):618-624. doi:10.1038/ng.3810

[20] Spies N, Weng Z, Bishara A, McDaniel J, Catoe D, Zook JM, Salit M, West RB, Batzoglou S, Sidow A. Genome-wide reconstruction of complex structural variants using read clouds. Nat Methods. 2017 Sep;14(9):915-920. doi: 10.1038/nmeth.4366. Epub 2017 Jul 17. PMID: 28714986; PMCID: PMC5578891.

[21] GenoCanyon Home

[22] Ioannidis NM, Davis JR, DeGorter MK, et al. FIRE: functional inference of genetic variants that regulate gene expression. Bioinformatics. 2017;33(24):3895-3901. doi:10.1093/bioinformatics/btx534

[23] Shihab HA, Gough J, Cooper DN, Stenson PD, Barker GLA, Edwards KJ, Day INM, Gaunt, TR. (2013). Predicting the Functional, Molecular and Phenotypic Consequences of Amino Acid Substitutions using Hidden Markov Models. Hum. Mutat., 34:57-65 

[24] Shihab HA, Rogers MF, Gough J, Mort M, Cooper DN, Day INM, Gaunt TR, Campbell C (2014). An Integrative Approach to Predicting the Functional Consequences of Non-coding and Coding Sequence Variation. Bioinformatics 2015 May 15;31(10):1536-43.

[25] Rogers MF, Shihab HA, Mort M, Cooper DN, Gaunt TR, Campbell C. FATHMM-XF: enhanced accuracy in the prediction of pathogenic sequence variants via an extended feature set. (journal submission

[26] Kircher M, Witten DM, Jain P, O’Roak BJ, Cooper GM, Shendure J. A general framework for estimating the relative pathogenicity of human genetic variant. Nat Genet. 2014 Feb 2. doi: 10.1038/ng.2892. PubMed PMID: 24487276.

[27] McLaren W, Gil L, Hunt SE, Riat HS, Ritchie GR, Thormann A, Flicek P, Cunningham F.
The Ensembl Variant Effect Predictor. Genome Biology Jun 6;17(1):122. (2016). doi:10.1186/s13059-016-0974-4

Các con đường chỉ ra những lối đi có thể để xuất phát từ vị trí A đến một điểm B bất kì nào đó. Tương tự, trong trường hợp đang xét, định danh rs (Reference SNP cluster ID) và chú giải GWAS giúp chúng ta xác định rằng biến dị này có mối quan hệ trước đó với tính trạng hồng cầu có tên gọi “Dung tích tiểu thể trung bình” (Mean corpuscular volume).

Và cuối cùng tên các con đường và tên các tòa nhà thêm vào bản đồ cho ta biết được chính xác vị trí cần đến. Ví dụ như chúng ta có thể đi bộ đến trang trại UW, ăn trưa tại Agua Verde, hoặc đến sân vận động Husky. Chú thích quy chuẩn (regulatory annotation) giúp ta xác định các biến dị giao nhau theo một quy tắc nhất định, ví dụ như các phần tử chồng chéo đang hoạt động trong tế bào hồng cầu, tiểu cầu, và không có trong tế bào não hay bàng quang.

Công cụ phổ hỗ trợ chú giải biến dị

Cộng đồng khoa học đã phát triển rất nhiều nền tảng và công cụ hỗ trợ chú giải biến dị. Một số server hỗ trợ chú giải biến dị phổ biến bao gồm:  NCBI, Ensemble, UCSC, ENCylopedia Of DNA Elements (ENCODE), Roadmap Epigenomics Consortium, FANTOM5, dbSNP, v.v…

Một số công cụ chú thích biến dị mã nguồn mở phổ biến bao gồm: spliceAI, SIFT, PROVEAN, polyphen, MutationTaster, PHAST, Mutation Assessor, M-CAP, Linsight, GERP, GenoCanyon, FIRE, fathmm, CADD, VEP, v.v…

SpliceAI

SpliceAI là một phần mềm ứng dụng trí tuệ nhân tạo (AI) mã nguồn mở [4] được Illumina công bố vào năm 2019 [5] . SpliceAI chú thích biến dị dựa trên sự kết nối của các chuỗi mRNA bậc một (primary sequence). Bằng cách sử dụng mạng học sâu, spliceAI dự đoán các mối nối từ một bản phiên mã tiền mRNA, tạo tiền đề để dự đoán chính xác các biến dị không mã hóa (non-coding variants) gây phân tách khác thường (cryptic splicing) [3]. Các đột biến nằm trên các đoạn không mã hóa thường bị bỏ qua ở những bệnh nhân mắc các bệnh di truyền hiếm gặp, vì vậy sự xuất hiện của phần mềm này cho ta thông tin chi tiết hơn về các đột biến đó trên gen.

SIFT

SIFT, được phát triển vào năm 2011 và quản lý bởi Pauline Ng, là một công cụ dự đoán liệu sự thay thế axit amin có ảnh hưởng đến chức năng của protein hay không [8]. SIFT được sử dụng rộng rãi trong các nghiên cứu về tin sinh học, di truyền, bệnh tật và đột biến. Vào năm 2017, phiên bản nhanh hơn của SIFT ra đời, SIFT 4G, cho phép người dùng mở rộng quy mô tính toán và cung cấp dữ liệu dự đoán cho nhiều sinh vật hơn. SIFT chú thích và cung cấp các dự đoán có hại/dung nạp cho các biến dị đơn điểm. Đối với biến dị chèn-xóa (indels), SIFT chỉ cung cấp kết quả chú thích. So với SIFT, SIFT 4G – Sorting Intolerant From Tolerant For Genomes, được triển khai trên GPU, do đó việc xử lý một protein chỉ mất 3 giây thay vì 4 phút [7].

PROVEAN

PROVEAN (Protein Variation Effect Analyzer) là một phần mềm được phát hành vào năm 2012 với mục đích dự đoán sự thay đổi chức năng sinh học của protein khi có đột biến thay thế điểm hoặc chèn-xóa. PROVEAN hoạt đông hiệu quả trong trường hợp lọc các chuỗi biến dị để xác định các biến dị không đồng nghĩa (nonsynonymous) hoặc các biến dị chèn-xóa được dự đoán là quan trọng về mặt chức năng. Hiệu suất của PROVEAN có thể tương đương với các công cụ phổ biến như SIFT hoặc PolyPhen-2 [6].

Polyphen

Polyphen hiện được biết đến trong phiên bản PolyPhen-2 (Polymorphism Phenotyping v2) là một công cụ dự đoán liệu sự thay thế của axit amin có ảnh hưởng đến cấu trúc và chức năng của protein người hay không [9]. PolyPhen-2 được phát triển từ PolyPhen với mục đích chú thích biến dị không đồng nghĩa. Polyphen-2 dựa trên trình tự protein, thông tin phát sinh loài (phylogenetic information) và thông tin cấu trúc để chú thích biến dị. Phần mềm sẽ xem xét liệu đột biến có nằm trong vùng protein cần thiết cho sự liên kết với các phân tử khác để hình thành cấu trúc bậc hai hoặc bậc ba hay không. Đặc biệt, Polyphen-2 xem xét các liên kết disulfide giả định, vị trí hoạt động, vị trí liên kết và miền xuyên màng sau đó thực hiện tính toán trên mô hình 3 chiều của cấu trúc protein. Polyphen-2 cũng xem xét các protein tương đồng để xem liệu đột biến sai lệch đã được xác định có được quan sát thấy trong các protein khác cùng họ hay không [10].

MutationTaster

MutationTaster là một công cụ chú giải biến dị được phát triển trên nền tảng web. MutationTaster đánh giá các biến dị trong chuỗi ADN về khả năng gây bệnh của chúng. Phần mềm thực hiện một loạt các bài kiểm tra mô phỏng bởi máy tính (in silico) để ước tính tác động của biến dị đối với sản phẩm hoặc protein của gen. Các thử nghiệm được thực hiện trên cấp độ protein và ADN, do đó, MutationTaster không giới hạn ở sự thay thế của các axit amin đơn lẻ mà còn có thể xử lý các biến thể đồng nghĩa (synonymous) hoặc intronic [11][12]. Mutation Taster được viết bằng Perl và có thể xử lý dữ liệu từ phương pháp giải trình tự thế hệ tiếp theo (Next generation Sequencing – NGS) của tất cả các nền tảng chính (Roche 454, Illumina Genome Analyzer và ABI SOLiD). MutationTaster sử dụng bộ phân loại Naive Bayes để quyết định xem liệu sự tác động của tất cả các biến dị đơn lẻ có thể gây hại cho protein hay không. Kết quả phân tích giải thích liệu sự thay đổi có phải là đột biến gây bệnh hoặc vô hại đã biết hoặc được dự đoán hay không và cung cấp thông tin chi tiết về đột biến đó [13]. Bản cập nhật mới nhất của MutationTaster vào năm 2021.

PHAST

Phân tích phát sinh loài với mô hình không gian/thời gian (Phylogenetic Analysis with Space/Time models – PHAST) được biết đến nhiều nhất là công cụ tìm kiếm đằng sau các bản bảo tồn (conservation tracks) trong trình duyệt bộ gen (Genome Browser) của Đại học California, Santa Cruz (UCSC). PHAST là một gói phần mềm miễn phí có sẵn bao gồm các chương trình dòng lệnh (command-line program) và các thư viện hỗ trợ cho hệ gen so sánh và tiến hóa. PHAST cũng bao gồm một số công cụ để lập mô hình phát sinh loài, xác định phần tử chức năng, cũng như các tiện ích để thao tác các căn chỉnh, cây và chú thích bộ gen. Các chương trình con chính của PHAST bao gồm phastCons (chấm điểm bảo tồn và xác định các yếu tố được bảo tồn), phyloFit (Xác định sự phù hợp của các mô hình phát sinh loài với trình tự ADN liên kết), phyloP (Tính toán các giá trị p để bảo toàn hoặc tăng tốc, cụ thể theo dòng dõi hoặc trên tất cả các nhánh), phastOdds (Chấm điểm tỷ lệ cược đăng nhập cho các mô hình phát sinh loài hoặc phylo-HMM), exoniphy (Dự đoán exon phát sinh loài), dless (Dự đoán các yếu tố được lựa chọn theo dòng dõi cụ thể), prequel (Tái tạo theo xác suất các trình tự của tổ tiên), và phastBias (Xác định chuyển đổi gen thiên vị GC bằng cách sử dụng phylo-HMM) [14].

Mutation Assessor

Mutation Assessor dự đoán tác động chức năng (functional impact) của sự thay thế axit amin trong protein, chẳng hạn như đột biến được phát hiện trong bệnh ung thư hoặc sai lệch đa hình (missense polymorphism). Tác động chức năng được đánh giá dựa trên sự bảo tồn tiến hóa của axit amin bị ảnh hưởng trong các tương đồng protein (synonymous protein). Phương pháp đã được xác nhận trên một tập hợp lớn (60 nghìn) bệnh liên quan (OMIM) và các biến thể đa hình [15]. Trình đánh giá đột biến sử dụng liên kết nhiều trình tự (multiple sequence alignment – MSA), được phân vùng để phản ánh tính đặc hiệu của chức năng và tạo ra điểm bảo toàn cho mỗi cột để thể hiện tác động chức năng của một biến thể sai lệch. Mutation Assessor tạo ra MSA riêng bằng cách sử dụng trình tự protein UniProt. Sau đó chúng được phân vùng dựa trên ranh giới miền UniProt và Pfam và cấu trúc 3D được sử dụng để tạo ra các tập hợp họ và phân họ phù hợp [16]. Ra đời vào năm 2011, Mutation Assessor trải qua bốn lần phát hành, lần gần đây nhất vào năm 2015.

M-CAP

Mendelian Clinically Applicable Pathogenicity (M-CAP), được công bố vào năm 2016 bởi phòng thí nghiệm Bejerano, đại học Stanford, là bộ phân loại khả năng gây bệnh đầu tiên cho các biến dị sai lệch hiếm gặp trong bộ gen người được điều chỉnh đạt đến độ nhạy yêu cầu của khám nghiệm lâm sàng. M-CAP chỉ cho điểm các biến thể sai lệch hiếm gặp: hg19, ENSEMBL 75 missence, ExAC v0.3 trong đó không có siêu quần thể nào có tần số alen (minor allele frequency) nhỏ trên 1%. Nếu một biến thể missence không có điểm M-CAP, thì dự đoán của M-CAP được giả định là có khả năng lành tính. M-CAP sử dụng bộ phân loại gradient boosting tree để học một chức năng của các đặc điểm đầu vào như một sự kết hợp tuyến tính của các cây quyết định, mỗi cây được dẫn xuất lặp đi lặp lại để sửa các phần tử đã phân loại sai trước đó [18].

Linsight

Linsight, được phát triển vào năm 2016, dự đoán các vị trí nucleotide không mã hóa, tại đó các đột biến có khả năng gây ra hậu quả nghiêm trọng về thể chất và do đó có khả năng quan trọng về mặt kiểu hình. Linsight kết hợp một mô hình tuyến tính tổng quát cho dữ liệu bộ gen chức năng với một mô hình xác suất của sự tiến hóa phân tử. Phương pháp này nhanh chóng và có khả năng mở rộng cao, cho phép nó khai thác “Dữ liệu lớn” có sẵn trong hệ gen hiện đại. Ngoài ra, Linsight còn được áp dụng cho tập bản đồ của các chất hỗ trợ tăng cường ở người (atlas of human enhancer) và cho thấy các hậu quả về sức khỏe ở các chất hỗ trợ tăng cường phụ thuộc vào loại tế bào, tính đặc hiệu của mô và các hạn chế ở các chất hỗ trợ liên quan [19].

GERP

Hồ sơ tỷ lệ tiến hóa bộ gen (Genomic Evolutionary Rate Profiling – GERP), được phát hành vào năm 2011, xác định các yếu tố bị ràng buộc trong nhiều liên kết bằng cách định lượng các khoản thiếu hụt thay thế. Sự thiếu hụt này thể hiện sự thay thế có thể xảy ra nếu phần tử là ADN là trung tính, nhưng không xảy ra bởi vì phần tử đã bị hạn chế về mặt chức năng. Những khoản thâm hụt này được gọi là “Các khoản thay thế bị từ chối” (rejected substitution). Các thay thế bị từ chối là một thước đo thể hiện sự hạn chế tự nhiên, phản ánh sức mạnh của quá trình chọn lọc trong quá khứ đối với phần tử [20].

GenoCanyon

GenoCanyon là một phương pháp tiếp cận chú thích chức năng toàn bộ bộ gen dựa trên thống kê không giám sát. GenoCanyon tích hợp các biện pháp bảo tồn bộ gen và dữ liệu chú thích sinh hóa để dự đoán tiềm năng chức năng ở mỗi nucleotide. Bằng cách sử dụng 22 chú thích tính toán và thực nghiệm, công cụ dự đoán tiềm năng chức năng của từng vị trí trong bộ gen người. Với GenoCanyon, nhiều cùng chức năng đã biết có thể được dự đoán. Hiện tại với lần cập nhật mới nhất vào năm 2015, website chính thức của GenoCanyon [21] đã có sẵn điểm dự đoán cho toàn bộ bộ gen của con người phiên bản hg19, điểm dự đoán và tất cả 22 chú thích [22].

FIRE

FIRE là một công cụ chú thích biến thể trên toàn bộ bộ gen. FIRE chỉ định điểm số cao hơn cho SNV có nhiều khả năng thay đổi mức độ biểu hiện của các gen lân cận. Vì FIRE được thiết kế đạc biệt để điều chỉnh biểu hiện gen, điểm số FIRE không tương ứng trực tiếp với khả năng gây bệnh hoặc có hại. Ngoài ra, FIRE đặc trưng cho sự điều hòa biểu hiện ở cấp độ mARN và không áp dụng cho các SNV làm thay đổi sự biểu hiện của protein một cách độc lập với sự biểu hiện của mARN [22]

fathmm

Phân tích chức năng thông qua mô hình Markov ẩn (Functional Analysis through Hidden Markov Models – fathmm) được phát triển vào năm 2014 dưới dạng máy chủ web thông lượng cao có khả năng dự đoán hậu quả chức năng của cả hai biến thể mã hóa, tức là các biến dị nucleotide đơn không đồng nghĩa (nsSNV) và các biến dị không mã hóa trong bộ gen người. Với chú thích biến dị không mã hóa, fathmm có hai lựa chọn bao gồm FATHMM-MKL (sử dụng thuật toán MKL tích hợp các chú thích chức năng từ ENCODE với các HMM dựa trên nucleotide) và FATHMM-XF (nâng cao độ chính xác trong việc dự đoán các hậu quả chức năng của việc không mã hóa và mã hóa các biến thể nucleotide đơn (SNV)) [23].

FATHMM-XF là một cải tiến đáng kể so với FATHMM-MKL. Bằng cách sử dụng một tập hợp các nhóm tính năng mở rộng và một tập hợp các mô hình mở rộng, phương pháp mới mang lại độ chính xác cao hơn so với phương pháp tiền nhiệm trên các tập thử nghiệm độc lập. Cũng như FATHMM-MKL, FATHMM-XF dự đoán liệu các biến thể nucleotide đơn trong hệ gen người có khả năng hoạt động hay không về mặt chức năng trong các bệnh di truyền. FATHMM-XF sử dụng các mô hình riêng biệt cho các vùng mã hóa và không mã hóa, để cải thiện độ chính xác tổng thể. Không giống như FATHMM-MKL, các mô hình FATHMM-XF được xây dựng trên bộ dữ liệu đơn kênh (single-kernel dataset). Các mô hình sẽ tìm hiểu sự tương tác giữa các nguồn dữ liệu giúp tăng độ chính xác của dự đoán ở trên tất cả các vùng của bộ gen [24][25]

CADD

CADD, được phát triển vào năm 2014, là một công cụ để đánh giá mức độ nguy hại của các biến thể nucleotide đơn cũng như các biến dị chèn-xóa trong bộ gen người. Mặc dù có nhiều công cụ cho điểm và chú thích biến dị, hầu hết các chú thích có xu hướng khai thác một loại thông tin duy nhất (ví dụ: bảo tồn) và/hoặc bị hạn chế về phạm vi (ví dụ: sai các thay đổi). CADD là một công cụ tích hợp nhiều chú thích vào một chỉ số bằng cách đối chiếu các biến thể tồn tại qua quá trình chọn lọc tự nhiên với các đột biến được mô phỏng.

Điểm C tương quan chặt chẽ với sự đa dạng alen, khả năng gây bệnh của cả các biến thể mã hóa và không mã hóa, và các tác động điều tiết được đo lường bằng thực nghiệm, và cũng xếp hạng cao các biến thể nhân quả trong trình tự bộ gen riêng lẻ. Cuối cùng, điểm C của các biến thể phức tạp liên quan đến đặc điểm từ các nghiên cứu liên kết toàn bộ bộ gen (GWAS) cao hơn đáng kể so với các đối chứng phù hợp và tương quan với kích thước mẫu nghiên cứu, có khả năng phản ánh độ chính xác tăng lên của GWAS lớn hơn.

CADD có thể ưu tiên định lượng các biến thể nhân quả về chức năng, có hại và bệnh tật trên nhiều loại chức năng, kích thước hiệu ứng và kiến ​​trúc di truyền và có thể được sử dụng ưu tiên biến thể nhân quả trong cả nghiên cứu và cơ sở lâm sàng [26].

VEP

VEP là một bộ phần mềm chú thích và phân tích hầu hết các dạng biến đổi gen trong các vùng mã hóa và không mã hóa của bộ gen. VEP có sẵn dưới dạng công cụ trực tuyến, dòng lệnh (command-line) bằng ngôn ngữ Perl, và thông qua giao diện chương trình ứng dụng Ensembl REST API (đại diện trạng thái chuyển giao). Mỗi giao diện được tối ưu hóa để hỗ trợ số lượng dữ liệu và mức độ trải nghiệm tin sinh học khác nhau. Cả ba đều sử dụng cùng một cơ sở mã cốt lõi để đảm bảo kết quả nhất quán trên mỗi giao diện. Một bộ kiểm tra toàn diện hỗ trợ tất cả mã, với sự tích hợp liên tục được thực hiện bởi Travis CI [27].

Nguồn tham khảo

[1] Choice of transcripts and software has a large effect on variant annotation – Genome Medicine

[2] https://si.biostat.washington.edu/sites/default/files/modules/variant_annotation_v1.pdf

[3] https://www.cell.com/cell/pdf/S0092-8674(18)31629-5.pdf

[4] spliceai

[5] Illumina Releases SpliceAI, Open Source AI software for Interpretation

[6] Choi Y, Sims GE, Murphy S, Miller JR, Chan AP (2012) Predicting the Functional Effect of Amino Acid Substitutions and Indels. PLoS ONE 7(10): e46688.

[7] https://sift.bii.a-star.edu.sg/sift4g/AboutSIFT4G.html

[8] Vaser R, Adusumalli S, Leng SN, Sikic M, Ng PC (2016) SIFT missense predictions for genomes. Nat Protocols 11: 1-9. 

[9] Adzhubei IA, Schmidt S, Peshkin L, Ramensky VE, Gerasimova A, Bork P, Kondrashov AS, Sunyaev SR. Nat Methods 7(4):248-249 (2010). PubMed PDF Supplemental Information

[10] https://bredagenetics.com/polyphenpolyphen2/

[11] Schwarz, Jana Marie; Rödelsperger, Christian; Schuelke, Markus; Seelow, Dominik (2010-08-01). “MutationTaster evaluates disease-causing potential of sequence alterations”. Nature Methods. 7 (8): 575–576. doi:10.1038/nmeth0810-575. ISSN 1548-7105. PMID 20676075.

[12] Schwarz, Jana Marie; Cooper, David N; Schuelke, Markus; Seelow, Dominik (2014-03-28). “MutationTaster2: mutation prediction for the deep-sequencing age”. Nature Methods. 11 (4): 361–362. doi:10.1038/nmeth.2890. ISSN 1548-7105. PMID 24681721

[13] Simcikova D, Heneberg P (December 2019). “Refinement of evolutionary medicine predictions based on clinical evidence for the manifestations of Mendelian diseases”. Scientific Reports. 9 (1): 18577. doi:10.1038/s41598-019-54976-4. PMC 6901466. PMID 31819097

[14] Ramani R, Krumholz K, Huang Y, Siepel A (2018) PhastWeb: a web interface for evolutionary conservation scoring of multiple sequence alignments using phastCons and phyloP, Bioinformatics, Volume 35, Issue 13, Pages 2320–232

[15] MutationAssessor.org /// functional impact of protein mutations

[16] Reva B., Antipin Y., Sander C. Predicting the functional impact of protein mutations: Applications to cancer genomics. Nucleic Acids Res. (2011)

[17] Jagadeesh, K., Wenger, A., Berger, M., Guturu, H., Stenson, P., Cooper, D., Bernstein, J., and Bejerano, G. (2016). M-CAP eliminates a majority of variants with uncertain significance in clinical exomes at high sensitivity. Nature Genetics, 2016. 48 (12) 1581 DOI: 10.1038/ng.3703

[18] Jagadeesh, K., Wenger, A., Berger, M., Guturu, H., Stenson, P., Cooper, D., Bernstein, J., and Bejerano, G. (2016). M-CAP eliminates a majority of variants with uncertain significance in clinical exomes at high sensitivity. Nature Genetics, 2016. 48 (12) 1581 DOI: 10.1038/ng.370

[19] Huang YF, Gulko B, Siepel A. Fast, scalable prediction of deleterious noncoding variants from functional and population genomic data. Nat Genet. 2017;49(4):618-624. doi:10.1038/ng.3810

[20] Spies N, Weng Z, Bishara A, McDaniel J, Catoe D, Zook JM, Salit M, West RB, Batzoglou S, Sidow A. Genome-wide reconstruction of complex structural variants using read clouds. Nat Methods. 2017 Sep;14(9):915-920. doi: 10.1038/nmeth.4366. Epub 2017 Jul 17. PMID: 28714986; PMCID: PMC5578891.

[21] GenoCanyon Home

[22] Ioannidis NM, Davis JR, DeGorter MK, et al. FIRE: functional inference of genetic variants that regulate gene expression. Bioinformatics. 2017;33(24):3895-3901. doi:10.1093/bioinformatics/btx534

[23] Shihab HA, Gough J, Cooper DN, Stenson PD, Barker GLA, Edwards KJ, Day INM, Gaunt, TR. (2013). Predicting the Functional, Molecular and Phenotypic Consequences of Amino Acid Substitutions using Hidden Markov Models. Hum. Mutat., 34:57-65 

[24] Shihab HA, Rogers MF, Gough J, Mort M, Cooper DN, Day INM, Gaunt TR, Campbell C (2014). An Integrative Approach to Predicting the Functional Consequences of Non-coding and Coding Sequence Variation. Bioinformatics 2015 May 15;31(10):1536-43.

[25] Rogers MF, Shihab HA, Mort M, Cooper DN, Gaunt TR, Campbell C. FATHMM-XF: enhanced accuracy in the prediction of pathogenic sequence variants via an extended feature set. (journal submission

[26] Kircher M, Witten DM, Jain P, O’Roak BJ, Cooper GM, Shendure J. A general framework for estimating the relative pathogenicity of human genetic variant. Nat Genet. 2014 Feb 2. doi: 10.1038/ng.2892. PubMed PMID: 24487276.

[27] McLaren W, Gil L, Hunt SE, Riat HS, Ritchie GR, Thormann A, Flicek P, Cunningham F.
The Ensembl Variant Effect Predictor. Genome Biology Jun 6;17(1):122. (2016). doi:10.1186/s13059-016-0974-4

The above shows that a model-centric strategy does not help us improve artificial intelligence systems effectively. Moreover, we can easily use pre-trained models, provided with source code, or through licensed APIs. On the other hand, the benefits of focusing more on data processing are undeniable, but this approach is not easy because the process of collecting data and processing it to produce a database of sufficient quality to serve as a training model is fraught with challenges. According to a study conducted by Cambridge scientists, the most important but often overlooked issue is data dispersion. The problem arises when data is streamed from different sources, which may have different schemas, conventions, and ways of storing and accessing data. It is a tedious process for machine learning engineers to combine information into a single dataset suitable for machine learning, so most engineers are not enthusiastic and enthusiastic about building this process. In addition, there is another challenge caused by the size of the dataset. While small datasets often have trouble with noisy data, larger datasets can be difficult to label. Another important part of the data collection process is labeling each sample. This can also be difficult when collecting data in areas that require specialized knowledge because access to typical experts such as doctors can be limited due to lack of funding. In addition, according to data scientists, lack of access to high-variance data is one of the main challenges when deploying machine learning solutions from the lab environment to the real world.

In practice, there are many different scenarios that can facilitate or hinder the deployment of AI systems. For example, a network company has a software that collects data from many users, creating a large dataset for training. This is a favorable initial condition for developing a machine learning model. However, in another environment such as agriculture or healthcare, where there are not enough data samples, we cannot expect to have a million tractors or a million patients to help increase the amount of data collected! Therefore, Andrew Ng directs the community’s attention to MLOps – a field that focuses on building and deploying machine learning models according to a standardized process. Some basic rules that Andrew Ng proposed to help deploy machine learning effectively:

The most important task of MLOps is to provide high-quality data.

Consistency in data sample labels is key. For example, check how labelers use bounding boxes. There may be multiple ways to label, and even if they are good in their own right, inconsistencies can ruin the results.

Systematically improving data quality on a baseline model is better than running a state-of-the-art model on low-quality data.

In case of errors during training, take a data-centric approach.

By focusing on the data, problems with smaller datasets (less than 10,000 samples) can be significantly improved.

When working with smaller datasets, tools and services to improve data quality are crucial.

“If 80% of our work is data preparation, then data quality assurance is the most important part of the ML development team,” says Andrew. Good data should be consistent, include all the special cases, have timely feedback from data production, and be appropriately sized. He advises against relying solely on engineers to figure out the best way to improve datasets. Instead, he hopes the machine learning community will develop MLOps tools that help create high-quality, repeatable, and systematic datasets and AI systems. He also says that MLOps is a new field; in the future, the most important goal of MLOps development teams should be to ensure a consistent, high-quality data flow across all stages of the project.

Source:

Big Data To Good Data: Andrew Ng Urges ML Community To Be More Data-Centric And Less Model-Centric

Những điều trên cho thấy chiến lược lấy mô hình làm trung tâm không giúp chúng ta cải thiện hệ thống thông minh nhân tạo một cách hiệu quả. Hơn nữa, chúng ta có thể dễ dàng dùng những mô hình được đào tạo trước (pre-trained), được cung cấp mã nguồn, hoặc thông qua API được cấp phép. Mặt khác, lợi ích khi tập trung hơn vào việc xử lý dữ liệu không thể bàn cãi nhưng cách tiếp cận này lại không dễ dàng vì quy trình thu thập dữ liệu và xử lý dữ liệu để cho ra được một cơ sở dữ liệu đủ chất lượng phục vụ cho việc huấn luyên mô hình ẩn chứa nhiều thách thức. Theo một nghiên cứu được thực hiện bởi các nhà khoa học Cambridge, vấn đề quan trọng nhất nhưng thường bị bỏ qua là sự phân tán dữ liệu. Vấn đề nảy sinh khi dữ liệu được truyền trực tuyến từ các nguồn khác nhau, có thể có các lược đồ, các quy ước, cách lưu trữ và truy cập dữ liệu của chúng khác nhau. Đây là một quá trình gây ra sự nhàm chán cho các kỹ sư máy học để kết hợp thông tin thành một tập dữ liệu duy nhất phù hợp cho việc học máy, nên đa số các kỹ sư không hào hứng và nhiệt huyết khi tham gia vào xây dựng quy trình này. Bên cạnh đó, có một thách thức khác gây ra bởi kích thước của bộ dữ liệu. Trong khi các bộ dữ liệu nhỏ thường gặp rắc rối với dữ liệu nhiễu, bộ dữ liệu lớn hơn có thể gây khó khăn cho việc gắn nhãn. Một phần khác quan trọng trong quy trình thu thập dữ liệu là gán nhãn của từng mẫu. Công việc này cũng có thể gặp khó khăn khi thu thập dữ liệu ở những lĩnh vực đòi hỏi kiến thức chuyên môn vì việc tiếp cận với các chuyên gia điển hình như bác sĩ có thể bị hạn chế do thiếu kinh phí. Ngoài ra, theo các nhà khoa học dữ liệu, thiếu quyền truy cập vào dữ liệu có phương sai cao là một trong những thách thức chính khi triển khai các giải pháp học máy từ môi trường phòng thí nghiệm ra thế giới thực.

Trong thực tế, có nhiều trường hợp khác nhau có thể thúc đẩy hoặc cản trở quá trình triển khai hệ thống trí tuệ nhân tạo. Ví dụ, một công ty mạng có một phần mềm thu thập dữ liệu của nhiều người dùng tạo ra một bộ dữ liệu gồm nhiều mẫu để huấn luyện. Đó là điều kiện thuận lợi ban đầu để phát triển mô hình học máy. Tuy nhiên, trong một môi trường khác chẳng hạn như nông nghiệp hoặc chăm sóc sức khỏe, nơi không có đủ mẫu dữ liệu, chúng ta không thể mong đợi có một triệu máy kéo hoặc một triệu bệnh nhân để giúp tăng lượng dữ liệu thu thập! Vì thế, Andrew Ng hướng sự chú ý của cộng đồng tới MLOps – một lĩnh vực tập trung xây dựng và triển khai các mô hình học máy theo một quy trình được chuẩn hóa. Một vài quy tắc cơ bản mà Andrew Ng đã đề xuất để giúp triển khai học máy một cách hiệu quả: 

• Nhiệm vụ quan trọng nhất của MLOps là cung cấp dữ liệu chất lượng cao.

• Tính nhất quán của nhãn mẫu dữ liệu là yếu tố then chốt. Ví dụ: kiểm tra cách người gắn nhãn sử dụng các hộp giới hạn (bounding box). Có thể có nhiều cách ghi nhãn, và ngay cả khi chúng tốt theo cách riêng của chúng, nhưng việc thiếu nhất quán có thể làm xấu kết quả. 

• Cải thiện chất lượng dữ liệu có hệ thống trên mô hình cơ bản tốt hơn là chạy theo mô hình hiện đại với dữ liệu chất lượng thấp.

• Trong trường hợp có lỗi trong quá trình huấn luyện, hãy áp dụng cách tiếp cận lấy dữ liệu làm trung tâm.

• Với việc tập trung vào dữ liệu, có thể cải thiện đáng kể các vấn đề với tập dữ liệu nhỏ hơn (ít hơn 10000 mẫu).

• Khi làm việc với các bộ dữ liệu nhỏ hơn, các công cụ và dịch vụ để nâng cao chất lượng dữ liệu là rất quan trọng.

Andrew nói “Nếu 80% công việc của chúng ta là chuẩn bị dữ liệu, thì đảm bảo chất lượng dữ liệu là phần việc quan trọng bậc nhất của nhóm phát triển học máy”. Một dữ liệu tốt phải có tính nhất quán, bao gồm toàn bộ các trường hợp đặc biệt, có phản hồi kịp thời từ khâu sản xuất dữ liệu và xác định kích thước phù hợp. Ông khuyên không nên chỉ dựa vào các kỹ sư để có cơ hội tìm ra cách tốt nhất để cải thiện tập dữ liệu. Thay vào đó, ông hy vọng cộng đồng học máy sẽ phát triển các công cụ MLOps giúp tạo ra các bộ dữ liệu và hệ thống thông minh nhân tạo chất lượng cao, có thể lặp lại và có hệ thống. Ông cũng cho biết MLOps là một lĩnh vực mới; trong tương lai, mục tiêu quan trọng nhất của các nhóm phát triển MLOps phải là đảm bảo luồng dữ liệu chất lượng cao và nhất quán trong tất cả các giai đoạn của dự án.

Nguồn:

Big Data To Good Data: Andrew Ng Urges ML Community To Be More Data-Centric And Less Model-Centric