Machine learning based model for clinical characterization of germline variants from RNA-seq data

Abstract

Varyant analizi sonucu bulunan varyantların klinik sınıfı, ACMG-AMP kriterlerine göre hesaplamalı olarak tahmin edilmekte veya ClinVar gibi veri tabanlarından elde edilmektedir. ClinVar veri tabanındaki varyantlar, deneysel veya hesaplamalı olarak karakterize edilmiştir. Bununla birlikte, tüm varyantlar patojenik veya iyi huylu olarak sınıflandırılmamıştır. Bu sınıflandırılmamış varyantlar literatürde belirsiz öneme sahip varyant (Variant of Uncertain Significance, VUS) olarak adlandırılmaktadır. Varyantlar, varyantların popülasyon sıklığı, ekzonik fonksiyonu klinik sınıfı gibi belirli kriterlere göre filtreleme yapılarak önceliklendirilmekte ve uzmanlar tarafından yorumlanmaktadır. VUS'lar, önceliklendirme ve yorumlama sorunları nedeniyle klinisyenler tarafından sıklıkla raporlanmamaktadır. Bu nedenle VUS'lar, özellikle nadir görülen kalıtsal hastalıklarda düşük tanı oranlarının nedenlerinden biridir. Son yıllarda, RNA-Seq verilerinden elde edilen ekspresyon ve uç birleştirme (splicing) bilgileri kullanılarak VUS'ların önceliklendirilebileceğini gösteren birçok çalışma yayınlanmıştır. Bu çalışma kapsamında, RNA-Seq verilerinin VUS karakterizasyonu üzerindeki önemi araştırılmış ve yeni bir rastgele orman sınıflandırıcısı tabanlı VUS karakterizasyon modeli önerilmiştir. Modelin eğitimi sırasında, yayınlanmış çalışmalardaki varyant sınıflandırıcılar tarafından geleneksel olarak kullanılan patojenite tahmin puanları ve popülasyon sıklığı gibi özniteliklere ek olarak uç birleştirme ve ekspresyon özniteliklerinden faydalanılmıştır. Elde edilen model, 5 kat çapraz doğrulama kullanan model için %98 ortalama doğruluk ve bir test verisi üzerinde VUS'ların patojenitesini (özgüllük) tahmin etmek için %88 doğruluk sağlamaktadır. Ancak, uç birleştirme ve ekspresyonu etkileyen varyant sayısının yetersiz olması nedeniyle, RNA-Seq verilerinin varyant karakterizasyonu üzerindeki gözlenen etkisi çok sınırlıydı.

Clinical class of variants obtained by variant analysis are estimated computationally according to ACMG-AMP criteria or retrieved from databases such as ClinVar. Variants in the ClinVar database have been characterized either experimentally or computationally. However, not all variants are classified as pathogenic or benign. Those non-classified variants are referred to as Variant of Uncertain Significance (VUS) in the literature. Variants are prioritized by filtering based on certain criteria such as population frequency, exonic function clinical class of the variants and then interpreted by experts. VUSs are often not reported by clinicians due to prioritization and interpretation problems. Therefore, VUSs are the one of the reasons for the low diagnostic rate, especially in rare hereditary diseases. In recent years, many studies have been published demonstrating that VUSs can be prioritized using expression and splicing information obtained from RNA-Seq data. Within the scope of this study, the significance of RNA-Seq data on VUS characterization was investigated and a novel random forest classifier based VUS characterization model is proposed. During training of the model, we exploit splicing and expression features, in addition to features such as pathogenicity prediction scores and population frequency which are customarily used by variant classifiers in published studies. The resulting model provides, 98% mean accuracy for the model using 5-fold cross-validation and %88 accuracy for predicting pathogenicity of VUSs (specificity) on a holdout test data. However, due to the insufficient number of variants affecting splicing and expression, the effect of RNA-Seq data on variant characterization was very limited.