4. 良性证据等级：BA1、BS1、BP —— 强良性、支持良性、良性支持

解读变异时，大家常常先找致病性证据，这没错。但我个人习惯，反而是先把良性证据筛一遍。为什么？因为良性证据用得好，能帮你快速排除一大批“假阳性”噪音，剩下的位点再去认真判读，效率高得多。

ACMG 把良性证据分成三个层级：BA1（独立强良性）、BS1（强支持良性）、BP（支持良性）。你想想看，这三个级别不是拍脑袋定的，它们背后对应的是不同的群体频率阈值和应用场景。搞混了，解读结果可能直接翻车。

4.1 BA1 —— 独立强良性

BA1 是良性证据里最硬的。只要满足条件，单凭这一条就能直接判良性，不用再找其他证据。

判定标准很简单：在人群中频率太高。ACMG 最初的建议是用 5% 作阈值，但实操中很多疾病没那么高发。后来 ClinGen 做了细化——看遗传模式，看疾病外显率，具体阈值也给了推荐。

BA1 核心要点：
  • 人群频率 > 5%（一般常染色体显性病）
  • 频率 > 0.5% 但小于 5%，要考虑用 BS1
  • 必须用匹配的对照人群数据库（gnomAD 东亚、千人基因组等）
  • 隐性病的频率阈值可以放宽，但需要具体分析

我遇到过一例：一个刚入行的同事把 gnomAD 全球频率 0.1% 的位点直接上了 BS1，结果那个病在亚洲人里频率是 3%。嗯，差点把真致病漏掉。所以，检测的群体亚群、数据库版本、过滤平台都得搞清楚，不能盲用。

4.2 BS1 —— 强支持良性

BS1 比 BA1 弱一档，但比 BP 强。它需要“群体频率高于疾病预期频率”但没到 BA1 的极端阈值。

具体怎么用？我自己的做法是：先看疾病在人群中的患病率，按 Hardy-Weinberg 估算致病等位基因频率的上限。如果变异在对照人群中的频率超过了这个上限，BS1 就可以上了。

证据 频率阈值（一般显性病） 典型场景
BA1 > 5% 常见多态，极不可能是罕见病致病变异
BS1 0.5% – 5% 疾病频率明显偏低时，高于估算上限
BP（人群） < 0.5% 但仍在公共数据库中出现多次 隐性病杂合、无表型贡献

这里有个坑：BS1 不能和 BA1 同时使用。它们是互斥的——如果你已经判了 BA1，就别再叠加 BS1。万一你的频率数据刚好卡在 4.9%，而疾病预期上限是 1%，你可能会犹豫：用 BS1 还是 BP？我建议，拿不准的时候查 ClinGen 对应基因的专家评审意见，很多基因有专门定义的频率阈值。

4.3 BP —— 支持良性

BP 是良性证据里的“轻量级选手”。单独用 BP 不能判良性，但多个 BP 叠加起来，或者在良性证据链里和其他中等证据配合，就能形成良性证据梯度。

BP 有好几个子项：

  • BP1：错义变异出现在已知无义介导的剪接或截断机制不相关的基因区域（比如重复区域的错义）
  • BP2：同一基因上有一个已知致病变异（反式）的情况下，另一个新变异可能是良性
  • BP3：重复区内无功能的插入/缺失（比如同义、内含子不关键区域）
  • BP4：多个计算预测工具支持良性（比如 REVEL < 0.15, SIFT 可耐受）
  • BP5：同义变异且预测不影响剪接
  • BP6：曾在良性对照中多次出现（这个已不建议使用，因为容易循环论证，我从来不碰它）
  • BP7：同义/内含子距离剪接位点远，功能预测无影响
注意：BP4 和 PP3（预测支持致病）是互斥的。同一个工具不能同时给两端。我见过有人把 REVEL 0.4 作为 PP3 同时把 REVEL 0.2 作为 BP4，这没问题。但如果你用了同一组工具的投票，重复计分会出大问题。最好的做法：统一指定一套预测工具，设定好 cutoff，别两边都占。

4.4 实际判读流程：如何组合这些证据？

我不会一上来就翻所有证据。我的习惯是三步走：

  1. 查频：先用 gnomAD v4 看变异在本体和亚群的频率。如果 >5% → 直接 BA1，完工。如果在 0.5%-5% 之间 → 进 BS1 判断。如果 <0.5% → 可能走 BP（人群）或者其他 BP。
  2. 查功能预测：同义/内含子远离剪接 → 考虑 BP7。错义且多个工具给良性 → BP4。
  3. 查共分离/共遗传：如果家系里患者和自己都携带另一个已知致病变异但不发病 → BP2 或 BP1。

举个实际例子。我在一个 WES 批次里看到一个 MYBPC3 上的错义突变 p.Arg502Trp。gnomAD 东亚频率 0.12%（不算高但也不算罕见），REVEL 0.08，SIFT 可耐受。这个变异在肥厚型心肌病里算良性吗？

我用 BA1 不行（频率太低），BS1 勉强（疾病频率约 1:500，等位基因频率上限约 0.1%，该变异 0.12% 算略超），BP4 合用（预测良性）。两根 BP 加一根 BS1 → 可以打出良性支持。最终 ClinGen 数据库也标注为 B(ie2)，跟我的结论一致。

一个小技巧：写判读报告时，在“良性证据”区域列一个表格，标注每个证据的强度层级（BA1 / BS1 / BPx），就像下面这样： 
证据	强度	依据
BA1 ×	不适用	频率 0.12% < 5%
BS1 ✓	强支持	频率 > 疾病等位基因频率上限 (0.1%)
BP4 ✓	支持	REVEL 0.08, SIFT 可耐受
BP7 ✓	支持	同义变异，远离剪接位点
写清楚了，审核时别人一眼就能看出你的逻辑链条。

4.5 良性证据等级的层级结构

良性证据等级层级结构 BA1 独立强良性 BS1 强支持良性 BP（人群/频率） BP4（预测良性） BP7（同义/无影响） 说明： 1. BA1 与 BS1 互斥，不可同时使用。 2. BP4 与 PP3 互斥，需统一预测工具集。 3. 多个 BP 可叠加形成中等良性证据。

4.6 多批次一致性校验中的良性证据处理

讲个真事。去年我给三个不同实验室的 500 个外显子做一致性分析，发现有一个 KCNQ1 非编码区变异，一个实验室给了 BS1，另一个给了 BP7，第三个直接放良。你猜为什么？第一个实验室用了 gnomAD v2.1.1 全球频率 0.8%，第二个用了 gnomAD v3.1.2 东亚频率 0.2%，第三个根本没查频率。这就是一致性校验的典型坑。

解决方案其实不复杂：每批次各自走一遍良性证据打分流程，然后对比。 我通常这样处理：

  1. 固定同一个数据库版本（比如当前批次统一用 gnomAD v4.0 东亚）
  2. 统一频率阈值定义（BA1 5%, BS1 按疾病估算，BP 按数据库出现次数）
  3. 对不一致的位点单独拉对照表，查原因（是频率差异？还是数据库亚群选错？）

遇到跨批次不一致率超过 5% 的，我会直接回溯到原始频率来源，用脚本批量重新计算每个位点的 MAF，然后重新判定。这样能避免人为判断偏差。

重要提醒：不要在良性证据中随意使用“BS2_Supporting”、“BA1_Moderate”这类自创的强度标签。ACMG/AMP 2015 标准和 ClinGen 的层级是固定的。你擅自加级，审稿人或者 LDT 审查时很可能直接打回来。切记，我见过不少被退回的案例就是因为证据强度标注不规范。

好了，这个良性证据层级和判读逻辑，说白了就是一张频率筛子。从高到低筛一遍，把明显无害的变异快速滤掉。剩下那部分，我们再集中精力去做致病性判断。

← 上一章 📖 返回目录 下一章 →