关键词：罕见病；数据库；精准医疗；

引言

不同的研究方案和各异的临床及研究制度下收集的基因组数据存在的区别，因此创建协调统一的数据库是有益的，尤其在儿科罕见疾病领域。且能解决研究型医院在研究和临床实践时面临诸多的挑战，能满足不同环境的独特要求和目标，包括众多利益相关者的需求。

为此研究团队使用通过设计、样本收集、基因测序、表现分析和数据处理等方法创建了一个共享的GORdb数据库。在此过程中Sentieon被用于读取比对、深度计算、重新比对、重校准和变异检测。

数据库目前共计8516个外显子组和112个基因组数据，在168个基因中识别出253个重要变异，在29个基因中发现43个变异体的临床确认。

图1 文献介绍

今天的文献解读专栏给大家带来的是2020年发表在npj genomic medicine期刊，被引用高达52次的佳作“Children’s rare disease cohorts: an integrative research and clinical genomics initiative”。

浅析文章，给做临床基因组学的老师们一些参考。

材料与方法学

研究设计与样本收集

研究第一阶段从2018年10月1日持续至2019年9月30日，共招募2441名参与者。通过血液采集(n=146)和口腔拭子(n=2093)来收集样本。另有72名参与者进行临床测序，130名参与者未完成样本收集。

测序与质控流程

GeneDx使用IDT xGen探针进行DNA提取，全外显子组测序平均覆盖度达100x，95%以上的靶区达到20x的覆盖度。GeneDx医学外显子组在20x覆盖度下实现99.4%的靶区覆盖，平均深度为114x。

所有测序数据要满足：过滤后测序产量须超过4GB、与hg19的比对率需高于95%、10x靶区覆盖率需达到90%、平均靶区覆盖度要求50x、重复读数比例需低于30%、且读数质量指标需达到80%。

生物信息学分析流程

测序完成后，原始WES数据FASTQ文件上传至BCH的AWS账户。数据处理首先使用Skewer v0.2.1进行接头修剪，FastQC v0.11.7进行FASTQ分析，BBMap v37.97计算碱基质量。Sentieon v201808.03执行读取比对、深度计算、重新比对、重校准和变异检测步骤。同时使用Verifybamid 1.1.3检查污染，GATK 4.1.2.0计算bin的读数。最后WuXi NextCODE GORpipe 4.3.0将数据转换为GOR格式，VEP 96.2进行注释。

表型分析与数据处理

表型数据主要来源于研究记录的手动采集，其次是临床记录和非结构化EHR。使用CLiX Focus系统从病历中提取HPO术语，该系统经过优化可达到85%的召回率。

平均每位患者有510.8份临床病历，CLiX Focus平均可提取191.9个HPO术语，包括父级术语。通过频率过滤后，最终每位患者平均获得45.9个HPO术语。

数据治理与管理

建立了完整的数据治理体系，包括访问控制和数据同步机制。通过AWS的IAM策略控制数据访问，使用Python网络服务器管理REDCap数据库的定期同步。所有系统都实施严格的用户认证和数据隔离措施。数据质量通过多重验证方法保证，包括自动错误报告和跨数据集验证。处理后的数据存储在AWS S3存储桶中，支持多个机构数据库的访问需求。

研究结果

CRDC项目实施的基础工作

波士顿儿童医院(BCH)在CRDC第一阶段主要致力于建立基于医院的基因组数据分析体系。通过基因组蓝带委员会的建议和机构资金支持，于2018年启动。经过全院调查和评估，最初选择癫痫和IBD两个队列作为试点，随后扩展到15个儿童期发病的孟德尔疾病队列。项目实施依靠研究团队、机构领导层、研究计算组等多方协作完成。

图2 样本收集
来自疾病队列入组患者的样本。图表包含每周入组计数（根据其在CRDC中的持续时间标准化的平均入组数）；过去一年在BCH就诊的具有相同ICD10代码的儿科患者总数；通过CRDC在GeneDx提交测序的个体数量；以及受队列疾病影响的已测序参与者数量。

数据收集与标准化流程建立

为实现大规模数据整合，项目建立了符合GA4GH国际标准的知情同意框架。该框架在保护参与者权益的同时，支持样本收集、数据使用和机构间合作。招募工作结合了线上线下多种方式，样本采集遵循CLIA标准进行全外显子组测序。同时建立了标准化的表型数据收集系统，整合了手动记录、电子病历、问卷调查等多个来源的信息。

图3 从研究到临床的工作流程
有或没有既往临床检测的患者被纳入协调一致的研究方案。为患者提供标准化的样本收集机制，大多数患者同时同意加入Precision Link生物样本库以支持额外剩余临床样本的收集。患者样本由我们的测序提供商(GeneDx)进行CLIA测序，数据返回AWS后载入CRDC基础设施进行分析。一旦研究团队确定候选变异，分析人员就与临床医生合作，从测序提供商处订购临床确认。临床确认结果返回BCH，添加到患者病历中，并传达给患者。

基因组分析平台的构建

项目开发的基因组分析实验室系统(GLS)，将表型和基因型数据整合到GORdb数据库中。系统通过经验证的ETL过程从EDC获取并迁移表型信息到GORdb，同时将去标识化的结构化EHR数据加载到整合生物学与临床信息学(i2b2)星型模式中，包含诊断、药物、程序等多维度临床数据。

在数据处理方面，采用CLiX Focus软件对462种非结构化临床记录进行自然语言处理，提取HPO术语。通过对775名同时具有CLiX Focus和手动注释HPO术语的患者样本分析，证实了自动化处理的效率优势。测序数据经过生物信息学管道处理后，通过数据导入API加载到GORdb，实现与参与者表型数据的统一管理。

系统架构上，BCH的各个系统通过多种方式与GLS集成，而WuXi NextCODE则负责在AWS中管理GORdb的后端基础设施。研究团队主要通过图形用户界面与系统交互，利用各种功能模块进行分析。这些模块不仅支持罕见变异分析、关联测试等基础功能，还可通过GORdb查询开发自定义模块，扩展研究能力。

GORdb的核心是GOR编程语言，将类SQL的基因组查询与shell脚本相结合，并提供丰富的标准库支持，使得研究团队能够方便地进行数学统计分析和大型数据操作，同时支持模块打包共享，促进跨组织协作。系统还建立了变异排除黑名单，通过去除非致病性和队列特异性常见变异，优化了研究分析流程，提高了研究效率。

图4 基因组学习系统的数据流程图
原始数据通过二级管道处理成协调数据，通过数据导入API输入GORdb。还整合了来自EDC和EHR的表型数据。内置的GORdb查询以及机构开发的查询在合并数据上运行，可以通过调用GORdb API或通过WuXi NextCODE用户界面执行。原始和协调数据也可供其他分析系统和BCH研究人员使用。这些系统的信息被反馈到GORdb。GLS的各个方面通过Python网络服务器连接，该服务器执行与GLS组件之间的数据传输，向研究人员发送新数据可用性的自动提醒，并向生物信息学家发送潜在元数据错误的警告（例如，重复受试者入组）。

初步研究成果

建立多学科协作模式和自动化分析流程，整合了研究团队的疾病专业知识与生物信息学支持。开发了结合Emedgene、CLiX和WuXi NextCODE等多个工具的综合工作流程，采用类似Broad孟德尔基因组学中心的并行审查方式，实现了高效的变异识别和分析。

在初步数据分析中，研究团队在168个基因中识别出253个重要变异，其中约20%为已知致病变异，67%是已知致病基因中的新发现变异，剩余13%属于表型扩展。值得注意的是，约40%的变异与药物、疾病、基因相互作用或现有临床试验相关，展现出重要的临床应用价值。通过Emedgene自动分类系统的评估，20%的变异被确定为致病性或可能致病性。

在临床验证方面，在29个基因中实现了43个变异体的临床确认，涉及32名患者。这些变异体均为全新遗传学诊断，同时确立了孟德尔遗传病病因关联。特别重要的是，86%的临床确认结果与Emedgene自动分类结果保持一致，这些发现对于表现非典型或症状轻微、通常不会接受临床测序的患者尤为重要，为他们提供了准确的遗传诊断。

此外，CRDC项目促进了新的科研合作和功能研究的开展。帮助患者家庭获得更广泛的临床服务，包括临床试验参与机会和专科多学科诊疗等。

图5 使用Emedgene的RC变异注释工作流程
使用手动整理的HPO术语以及CLiX Focus派生的HPO术语评估Emedgene优先排序变异的流程图工作流程。

Sentieon 软件团队拥有丰富的软件开发及算法优化工程经验，致力于解决生物数据分析中的速度与准确度瓶颈，为来自于分子诊断、药物研发、临床医疗、人群队列、动植物等多个领域的合作伙伴提供高效精准的软件解决方案，共同推动基因技术的发展。截至 2023 年 3 月份，Sentieon 已经在全球范围内为 1300+用户提供服务，被世界一级影响因子刊物如 NEJM、Cell、Nature 等广泛引用，引用次数超过 700 篇。此外，Sentieon 连续数年摘得了 Precision FDA、Dream Challenges 等多个权威评比的桂冠，在业内获得广泛认可。

讨论

图6 文献讨论

项目成果与意义

通过建立跨机构的统一同意框架、标准化数据收集流程和综合分析平台（GLS），CRDC 项目显著加速了基因组数据在研究和临床治疗中的应用。GLS 整合了 8,516 例外显子组和 112 个基因组数据，成为目前最全面的儿科罕见病基因组数据库。

技术平台与协作

GORdb 数据库支持大规模数据分析，能够满足不同的应用场景需求。并与第三方进行合作，集成先进技术构建数据库。

总结

研究充分展示了该项目在推进精准医疗实践中的重要价值，为未来的基因组研究和临床应用提供了有力的范例，还显著加速了罕见病基因诊断与治疗开发进程。