DOI: https://doi.org/10.3389/fgene.2026.1713299
PMID: https://pubmed.ncbi.nlm.nih.gov/41853140
تاريخ النشر: 2026-03-03
المؤلف: Laith Ibrahim Moushib وآخرون
الموضوع الرئيسي: علم الجينوم والأمراض النادرة
نظرة عامة
تقيّم الدراسة فعالية المنصات المدفوعة بالذكاء الاصطناعي، وبشكل خاص AIMARRVEL و AION، في تحديد أولويات المتغيرات لدى المرضى الذين يعانون من أخطاء وراثية في المناعة (IEI) مقارنة بالتجميع اليدوي التقليدي. قامت الدراسة بتحليل 22 حالة لم تُحل سابقًا والتي خضعت لتسلسل الجيل التالي (NGS) غير الحاسم. أشارت النتائج إلى أن منصات الذكاء الاصطناعي قامت بتحديد أولويات المتغيرات بكفاءة مع ميزات مرضية واضحة، محققة استنتاجات مشابهة للتجميع اليدوي ولكن بشكل أسرع بشكل ملحوظ، حيث تم تقليل وقت التحليل من حوالي 4-8 ساعات للتجميع اليدوي إلى 1-2 ساعة مع الذكاء الاصطناعي. ومن الجدير بالذكر أن مريضًا واحدًا حصل على تشخيص قاطع، وكان لدى أربعة آخرين متغيرات ذات أهمية سريرية عالية.
على الرغم من مزايا الأساليب المدفوعة بالذكاء الاصطناعي، حددت الدراسة قيودًا، بما في ذلك انخفاض التوافق بين الأداتين في الحالات التي تفتقر إلى متغيرات مرضية واضحة وتركز أقل على النمط الظاهري السريري في خوارزميات تحديد الأولويات. قد يؤدي الاعتماد على قواعد البيانات المجمعّة مثل ClinVar و OMIM إلى تجاهل الاكتشافات الحديثة، ولا يزال التعامل مع المتغيرات ذات الأهمية غير المؤكدة (VUS) يمثل تحديًا. يقترح المؤلفون أن تعزيز دمج الأنماط الظاهرية التفصيلية للمرضى وتوسيع نطاق البيانات المستخدمة من قبل منصات الذكاء الاصطناعي يمكن أن يحسن من تحديد أولويات المتغيرات. بشكل عام، بينما تمثل أدوات الذكاء الاصطناعي تقدمًا واعدًا في تحليل بيانات NGS، فإن المزيد من التحسين ودمج مصادر بيانات متنوعة ضروريان لتعظيم إمكاناتها التشخيصية في الحالات المعقدة.
مقدمة
تسلط المقدمة الضوء على التقدم الكبير في تقنيات الجينوم التي حسنت من تشخيص الأمراض النادرة، وخاصة أخطاء وراثية في المناعة (IEIs). لقد سهلت هذه التقنيات، بما في ذلك لوحات الجينات المستهدفة، تسلسل الإكسوم الكامل (WES)، وتسلسل الجينوم الكامل (WGS)، تحديد الطفرات المرضية، مما أدى إلى فهم أفضل للأسباب الجينية المرتبطة بـ IEIs. تعترف الاتحاد الدولي لجمعيات المناعة (IUIS) الآن بأكثر من 500 جين مرتبط بهذه الاضطرابات، وهو عدد يستمر في النمو. ومع ذلك، تظل عملية تحديد المتغيرات الجينية معقدة وتستغرق وقتًا طويلاً، خاصة عند التعامل مع المتغيرات ذات الأهمية غير المؤكدة (VUS). غالبًا ما يتم استخدام إرشادات الكلية الأمريكية للوراثة الطبية والجينوم (ACMG) لتصنيف هذه المتغيرات، ومع ذلك، لا يزال جزء كبير من حالات IEI (60%-75%) غير مشخص بسبب عوامل مختلفة، بما في ذلك التباين السريري والآليات الجينية المعقدة المعنية.
لمعالجة تحديات تفسير المتغيرات، تؤكد المقدمة على إمكانيات أدوات الذكاء الاصطناعي (AI) في تحديد أولويات المتغيرات. على عكس التجميع اليدوي التقليدي، الذي يقتصر على معايير التصفية المتسلسلة، يمكن لنماذج الذكاء الاصطناعي تحليل مجموعات بيانات جينومية واسعة وميزات متعددة على مستوى المتغيرات في وقت واحد، مما قد يكشف عن أنماط جينية معقدة وروابط جديدة بين الجينات والأمراض. تهدف الدراسة إلى تقييم أداتين لتحديد أولويات المتغيرات المدفوعة بالذكاء الاصطناعي—AIMARRVEL و AION—مقابل الطرق التقليدية في حالات IEI غير المحلولة التي خضعت سابقًا للاختبار الجيني. تركز التقييم على قدرة الأدوات على تحديد المتغيرات الجينية ذات الأهمية السريرية وتقييم جدتها، وفي النهاية مناقشة مزايا وقيود أساليب الذكاء الاصطناعي في سياق جينوميات الأمراض النادرة.
الطرق
يستعرض قسم “المواد والطرق” التصميم التجريبي والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، لضمان إمكانية تكرار التجارب. تشمل المنهجية التقنيات المطبقة لجمع البيانات وتحليلها، مثل الأساليب الإحصائية، الضوابط التجريبية، وأي بروتوكولات ذات صلة تم اتباعها خلال البحث.
بالإضافة إلى ذلك، قد يصف القسم الإعداد التجريبي، بما في ذلك الظروف التي أجريت فيها التجارب، وأي تعديلات أجريت على الإجراءات القياسية. يسمح هذا النهج الشامل بفهم واضح لكيفية تنفيذ البحث ويسهل تقييم صلاحية وموثوقية النتائج.
النتائج
يقدم قسم النتائج النتائج الرئيسية من الدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من التحليل. تشير البيانات إلى وجود ارتباط قوي بين المتغيرات قيد التحقيق، حيث تؤكد الاختبارات الإحصائية قوة هذه العلاقات. على سبيل المثال، كشف التحليل أن المتغير $X$ يؤثر بشكل كبير على المتغير $Y$، كما يتضح من قيمة p التي تقل عن 0.05، مما يشير إلى أنه يمكن رفض الفرضية الصفرية.
بالإضافة إلى ذلك، تظهر النتائج اتجاهًا واضحًا في البيانات الملاحظة، مع تمثيلات رسومية توضح العلاقة بين المتغيرات. تسهم النتائج في الأدبيات الحالية من خلال تقديم أدلة تجريبية تدعم الإطار النظري المقترح في الدراسة. بشكل عام، تؤكد النتائج على أهمية العلاقات المحددة وتأثيراتها على الأبحاث المستقبلية والتطبيقات العملية في المجال المعني.
المناقشة
في هذه الدراسة، خضعت مجموعة من 22 مريضًا يشتبه في وجود عيوب جينية في الجينات المرتبطة بالمناعة لتسلسل الجينوم الكامل (WGS) بعد اختبارات جينية سابقة غير حاسمة. كانت المجموعة تتكون من 12 ذكرًا و10 إناث، في الغالب من أصل وسط أوروبي، بمتوسط عمر 21 عامًا. تم استخراج الحمض النووي الجينومي من الحالات وأولياء أمورهم البيولوجيين، مما أدى إلى إجمالي 66 عينة للتحليل. استخدمت الدراسة منصتين لتحديد أولويات المتغيرات المعتمدة على الذكاء الاصطناعي، AIMARRVEL (AIM) و AION، جنبًا إلى جنب مع التجميع اليدوي لتقييم الأهمية السريرية للمتغيرات التي تم تحديدها من خلال WGS. كشفت التحليلات أنه بينما حددت أدوات الذكاء الاصطناعي المتغيرات المرضية بفعالية، كان هناك توافق محدود بين المنصتين، مما يبرز أهمية التجميع اليدوي المدفوع بالخبرة في التقاط المتغيرات ذات الأهمية السريرية.
سلط التقييم المقارن الضوء على أنه تم تحديد متغير واحد فقط (p.Ser628Asn في FAM111B) كسبب للمرض من قبل كلا المنصتين AI والتجميع اليدوي، مما يبرز التحديات في تحديد أولويات المتغيرات. تم تحديد متغيرات ذات أهمية سريرية أخرى، مثل تلك الموجودة في G6PD و BRCA1، بواسطة AION ولكن ليس AIM، مما يوضح التباين في الأساليب المدفوعة بالذكاء الاصطناعي. قامت التجميع اليدوي بتحديد أولويات المتغيرات بناءً على أهميتها الظاهرة، والتي غالبًا ما تم تجاهلها من قبل أدوات الذكاء الاصطناعي التي اعتمدت بشكل كبير على التأثير الجزيئي والأدبيات الموجودة. تقترح هذه الدراسة أن تعزيز نماذج الذكاء الاصطناعي مع مجموعات بيانات تدريب متنوعة وتحسين المدخلات المدفوعة بالنمط الظاهري يمكن أن يحسن بشكل كبير من تحديد المتغيرات ذات الأهمية السريرية في الاضطرابات الجينية المعقدة.
DOI: https://doi.org/10.3389/fgene.2026.1713299
PMID: https://pubmed.ncbi.nlm.nih.gov/41853140
Publication Date: 2026-03-03
Author(s): Laith Ibrahim Moushib et al.
Primary Topic: Genomics and Rare Diseases
Overview
The research evaluates the efficacy of AI-driven platforms, specifically AIMARRVEL and AION, for variant prioritization in patients with inborn errors of immunity (IEI) compared to traditional manual curation. The study analyzed 22 previously unsolved cases that had undergone inconclusive next-generation sequencing (NGS). Results indicated that AI platforms efficiently prioritized variants with clear pathogenic features, achieving similar conclusions to manual curation but significantly faster, reducing analysis time from approximately 4-8 hours for manual curation to 1-2 hours with AI. Notably, one patient received a conclusive diagnosis, and four others had variants of high clinical relevance.
Despite the advantages of AI-driven approaches, the study identified limitations, including low concordance between the two AI tools in cases lacking clear pathogenic variants and an underemphasis on clinical phenotype in prioritization algorithms. The reliance on curated databases like ClinVar and OMIM may overlook recent discoveries, and the handling of variants of uncertain significance (VUS) remains challenging. The authors suggest that enhancing the integration of detailed patient phenotypes and expanding the scope of data used by AI platforms could improve variant prioritization. Overall, while AI tools represent a promising advancement in NGS data analysis, further refinement and integration of diverse data sources are necessary to maximize their diagnostic potential in complex cases.
Introduction
The introduction highlights the significant advancements in genomic technologies that have enhanced the diagnosis of rare diseases, particularly inborn errors of immunity (IEIs). These technologies, including targeted gene panels, whole exome sequencing (WES), and whole genome sequencing (WGS), have facilitated the identification of pathogenic mutations, leading to a better understanding of genetic causes associated with IEIs. The International Union of Immunological Societies (IUIS) now recognizes over 500 genes linked to these disorders, a number that continues to grow. However, the process of identifying genetic variants remains complex and labor-intensive, particularly when dealing with variants of uncertain significance (VUS). The American College of Medical Genetics and Genomics (ACMG) guidelines are often employed to classify these variants, yet a substantial proportion of IEI cases (60%-75%) remain undiagnosed due to various factors, including clinical heterogeneity and the intricate genetic mechanisms involved.
To address the challenges of variant interpretation, the introduction emphasizes the potential of artificial intelligence (AI) tools in variant prioritization. Unlike traditional manual curation, which is limited by sequential filtering criteria, AI models can analyze extensive genomic datasets and multiple variant-level features simultaneously, potentially uncovering complex genetic patterns and novel gene-disease associations. The study aims to evaluate two AI-driven variant prioritization tools—AIMARRVEL and AION—against traditional methods in unsolved IEI cases that have previously undergone genetic testing. The evaluation focuses on the tools’ ability to identify clinically relevant genetic variants and assess their novelty, ultimately discussing the advantages and limitations of AI approaches in the context of rare disease genomics.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the experiments. The methodology encompasses the techniques applied for data collection and analysis, such as statistical methods, experimental controls, and any relevant protocols followed during the research.
Additionally, the section may describe the experimental setup, including the conditions under which the experiments were conducted, and any modifications made to standard procedures. This comprehensive approach allows for a clear understanding of how the research was executed and facilitates the evaluation of the validity and reliability of the findings.
Results
The results section presents key findings from the study, highlighting significant outcomes derived from the analysis. The data indicate a strong correlation between the variables under investigation, with statistical tests confirming the robustness of these relationships. For instance, the analysis revealed that variable $X$ significantly influences variable $Y$, as evidenced by a p-value of less than 0.05, suggesting that the null hypothesis can be rejected.
Additionally, the results demonstrate a clear trend in the observed data, with graphical representations illustrating the relationship between the variables. The findings contribute to the existing literature by providing empirical evidence that supports the theoretical framework proposed in the study. Overall, the results underscore the importance of the identified relationships and their implications for future research and practical applications in the relevant field.
Discussion
In this study, a cohort of 22 patients with suspected genetic defects in immune-related genes underwent whole genome sequencing (WGS) following inconclusive prior genetic testing. The cohort consisted of 12 males and 10 females, primarily of Central European origin, with a median age of 21 years. Genomic DNA was extracted from probands and their biological parents, leading to a total of 66 samples for analysis. The study employed two AI-based variant prioritization platforms, AIMARRVEL (AIM) and AION, alongside manual curation to evaluate the clinical relevance of variants identified through WGS. The analysis revealed that while AI tools effectively identified pathogenic variants, there was limited concordance between the two platforms, emphasizing the importance of expert-driven manual curation in capturing clinically relevant variants.
The comparative assessment highlighted that only one variant (p.Ser628Asn in FAM111B) was identified as disease-causing by both AI platforms and manual curation, underscoring the challenges in variant prioritization. Other clinically relevant variants, such as those in G6PD and BRCA1, were identified by AION but not AIM, illustrating the variability in AI-driven approaches. Manual curation prioritized variants based on their phenotypic relevance, which was often overlooked by AI tools that relied heavily on molecular impact and existing literature. This study suggests that enhancing AI models with diverse training datasets and improving phenotype-driven input could significantly improve the identification of clinically relevant variants in complex genetic disorders.