📚 课程目录第2章证据整合基础

证据整合基础：变异解读框架与 ACMG/AMP 标准概述

大家好，今天我们来聊点硬核的。变异解读这活儿，说白了就是给一个基因变异「定罪」或者「平反」。但怎么定？根据什么定？总不能拍脑袋吧。

嗯，ACMG/AMP 标准就是我们手里的那本「法典」。不过这本法典也挺厚的，刚开始看确实头大。我刚开始接触这个领域时，也是拿着标准一条条对着看，看完还是不会用。后来慢慢摸出门道——咱们得先理解它背后的框架。

为什么需要一套解读框架？

你想想看，一个变异，落在基因组里哪个位置？是错义还是截断？人群里有没有？数据库里报没报过？家里有没有共分离？这些信息杂乱无章，如果没有一个框架把它们串起来，我们就没法做出一致的判断。

不同实验室的判断标准不一样，结果就打架
同一份数据，不同人解读可能得出相反结论
临床报告没法标准化，医生看了也懵

所以，ACMG/AMP 标准在 2015 年诞生了。它不是一个「死规则」，而是一个证据组合的游戏。说白了，就是把散落一地的拼图碎片，按规则拼成「致病性」或「良性」的完整图像。

五类证据，简单明了

标准把所有证据分为五类：

证据类别	表示法	典型来源
致病性非常强	PVS1	无义、移码、经典剪接等导致功能丧失的变异
致病性强	PS1-4	已知致病变异、新发、功能研究阳性等
致病性中等	PM1-6	热点区域、人群频率低、反式隐性、共分离等
致病性支持	PP1-5	共分离数据弱、已报道但未确认等
良性/良性支持	BA1 / BS1-4 / BP1-6	人群频率高、功能研究阴性、同义变异等

小技巧： 我一般会先把 PVS1 和 BA1 筛一遍。这两个是「一票否决」级别的，先处理它们，后面的工作量直接减半。

证据强度：不是只有「是」和「否」

很多新手容易忽略——证据是有「强度级别」的。同样的信息，不同场景下发挥的作用完全不同。

非常强（Very Strong）：一个证据就够定致病，比如 PVS1
强（Strong）：比如新发变异，或者功能研究明确
中等（Moderate）：比如位于功能域内，或者与已知致病变异同氨基酸位置
支持（Supporting）：边缘证据，单独用不顶事，但可以凑数

我遇到过不少新手，看到一个 PM2（人群频率低）就激动得不行。但请你记住，PM2 只是支持级别，不能单凭这个就说致病。这就像你不能因为一个人没犯罪记录就断定他是好人——逻辑不对。

组合规则：从证据到结论

有了证据，怎么组合？这是最核心的部分。ACMG/AMP 给出了一个组合套路：

≥2 个强 + ≥1 个中等 → 致病
1 个强 + ≥3 个中等 → 致病
≥2 个强 → 可能致病
1 个强 + 1-2 个中等 → 可能致病
良性侧：频率高或功能阴性直接给良性

坑：这里要小心「叠加效应」。不是简单的 1+1=2。PVS1 加上一个强证据，可能直接拉到「致病」级别，但两个支持证据加起来仍然只是「可能致病」。证据的组合不是做算术，是做逻辑。

我记得有次审核一个报告，对方用了 4 个 PM 级别的证据，硬说要判定「致病」。我说不对，4 个 PM 加起来等效于 2 个强证据？No。PM 再多个，也只是在「可能致病」这个级别上徘徊，除非你有 PS 或 PVS 级别的东西。

贝叶斯框架：背后的数学逻辑

为什么标准这样定？其实背后有贝叶斯统计的影子。简单说，我们有一个先验概率（基因背景下变异致病的可能性），每加一个证据，就更新一次后验概率。

我个人习惯用下面这个框架图来理解整个过程：

从这张图可以看到，整个流程不是线性的，而是多路证据同时汇入，经过强度分级和组合规则，最终输出五个分类之一。嗯，这里要注意，我们最终其实只输出 5 种结果之一：致病、可能致病、意义不明确、可能良性、良性。没有「灰色地带」？不，意义不明确就是灰色地带，而且是最多的那个。

实战中的避坑指南

我曾经掉进过的坑：

PVS1 滥用： 不是所有截断变异都自动 PVS1，必须考虑 NMD 逃逸和功能域位置。一个位于最后一个外显子的无义突变，可能根本不会触发 NMD，PVS1 就得降级。
PM2 双标： 很多人给一个新变异直接上 PM2，但 PM2 的前提是该基因是高度保守且功能重要，而且数据库足够大。如果数据库只有几百人，PM2 请慎用。
忘记良性证据： 常见错误：只找致病证据，忽略了良性侧。一个变异可能同时有 1 个 PM 和 1-2 个 BS，这时需要权衡。不能只堆致病证据。

小工具：证据整合速查表

我一般会在本地放一个小脚本，用来快速计算当前证据组合的等效级别。它的核心逻辑是这样的：

# 证据权重映射（简化版）
weights = {
    'PVS1': 8, 'PS1': 4, 'PS2': 4, 'PS3': 4, 'PS4': 4,
    'PM1': 2, 'PM2': 2, 'PM3': 2, 'PM4': 2, 'PM5': 2, 'PM6': 2,
    'PP1': 1, 'PP2': 1, 'PP3': 1, 'PP4': 1, 'PP5': 1,
    'BA1': -8, 'BS1': -4, 'BS2': -4, 'BS3': -4, 'BS4': -4,
    'BP1': -2, 'BP2': -2, 'BP3': -2, 'BP4': -2, 'BP5': -2, 'BP6': -2
}

def score_variant(evidence_list):
    total = sum(weights.get(e, 0) for e in evidence_list)
    if total >= 8: return '致病'
    elif total >= 4: return '可能致病'
    elif total <= -8: return '良性'
    elif total <= -4: return '可能良性'
    else: return '意义不明确'

# 举例
print(score_variant(['PVS1', 'PS1']))  # → 致病
print(score_variant(['PM2', 'PM3']))   # → 可能致病

提醒： 这个脚本只是辅助思考，不能替代专业判断。真正的解读还要结合基因特异性、疾病模式、家系信息等。ClinGen 后续会推出更精细的贝叶斯打分工具，但底层逻辑不变。

好了，以上就是证据整合的基础框架。说白了，就是把你手里的证据，按照 ACMG/AMP 的规则，归类 -> 分级 -> 组合。看起来简单，但每步都有学问。我记得有一次，一个团队争论一个 PM2+PM3+PP4 的组合能不能判「致病」，吵了三天。最后我们坐下来，重新捋了一遍逻辑——没有 PS 级别证据，顶多是「可能致病」。这就是框架的力量：它让你吵得有依据，而不是凭感觉。