次世代基因定序的資料分析及判讀耗時,無法支援臨床急重症診斷。藉由採用全外顯子次世代定序作為篩檢診斷的工具,加上優化判讀流程、導入人工智慧,可將原需3個月的檢測時間縮至一週內…… |
雖然次世代基因定序是基因診斷的利器,但時效性是個大問題,由於資料的分析及判讀程序相當冗長,目前臨床上從送測到取得報告,大約需要3個月時間,在急重症上完全無法運用。臺大醫院胡務亮教授「高速次世代基因診斷團隊」著力於次世代定序檢驗及判讀流程的優化,並導入人工智慧模組輔助判讀,一周內就能得到結果,及時提供急重症兒童快速精準的治療照護。
▌3個檢體即可進行定序 為了兼顧檢驗時間與品質,團隊從DNA萃取與檢體製備開始進行流程優化,選擇3個檢體就可以進行定序的機型,減少了大量等檢體(pooling samples)的時間,並採用GPU來進行定序結果的高速運算,產出可以進行後續分析的資料。當定序結果產出之後,利用團隊開發的基因變異閱覽器(MViewer)進行變異的註解,並結合人工智慧變異判讀模組(AI_Variant Prioriterizer; AI_VP),加速列出可能的致病性變異,以達到變異判讀的最佳效率。 ▌基因變異閱覽器(MViewer)列出遺傳變異可能性排序 基因變異閱覽器(MViewer)可載入由開源線上服務(如ANNOVAR、Nirvana、Variant Effect Predictor)所提供的基因註解資料來註解變異,經由使用者介面查詢ClinVar、Taiwan Biobank和OMIM (人類遺傳疾病資料庫)等基因資料庫資訊,並依需要設定篩選條件來過濾患者的遺傳變異,減少需判讀的資料量,協助挑選有興趣的變異點位。MViewer匯入團隊開發的人工智慧模組後,可協助醫師列出遺傳變異可能性排序,降低醫師在臨床遺傳疾病的判讀上的負擔。除了變異閱覽器,團隊也建立了大數據基因與疾病相關性文獻搜尋(Text-mining)的模組(Variant Prioritizer)。藉由比對篩出基因與臨床表徵,程式可以自動算出基因名稱與疾病資料庫(OMIM, GeneReview database)相關性之bm25值,並條列可能之基因與疾病。 ▌人工智慧變異判讀模組(AI_VP)輸出最有可能之致病變異點 AI_VP模組彙整了多位患有遺傳性疾病病人的全外顯子定序(Whole Exome Sequencing)及模組定序(Gene Panel)資料作為訓練資料,並整合多個資料庫對於外顯子變異點位的註解作為資料特徵,利用變異點位的特徵與病人臨床症狀的關聯性透過機器學習方法訓練模型,模型會自動排序變異點位,輸出最有可能導致病人臨床病徵的致病變異點。在建立基因變異智慧判讀模組之前,判讀一位罕見遺傳疾病患者往往需要花費數周時間能無法下結論,使用此程式後可大幅縮短判讀基因變異時間至1-8小時,增加判讀的診斷率,提高醫療服務品質。
▌技術強項與優勢 1. 快速: 藉由整合快速全外顯子定序及變異判讀,縮短檢驗所需時間2. 大數據: 結合AI_VP人工智慧模組及大數據,提供變異判讀所需資料 3. 具高度臨床應用價值 |
▌開放那些合作項目? 投資合作、醫院合作
|
Copyright © 2012 - 2024 Research Center for Biotechnology and Medicine Policy (RBMP). All Rights Reserved