近年来，基因组学技术的飞速发展为罕见单基因疾病的诊断提供了前所未有的机会。尽管针对单个患者的深度分析已取得显著进展，但在国际范围内，超罕见疾病队列规模的扩大为基于群体的联合分析创造了新的可能性。然而，针对这些患者的统计学遗传学方法仍需进一步完善。美国未诊断疾病网络（UDN）通过整合多个临床、研究和实验中心的数据，推动了基于病例的诊断分析的规模化和标准化。本研究首次对UDN患者的全基因组测序数据进行了联合分析，并开发了新的统计方法，用于优先考虑新生突变和复合杂合突变的疾病基因，同时检测了候选基因和已知诊断基因的富集通路。通过计算分析与系统性临床评估的结合，研究不仅验证了已知诊断，还揭示了新的疾病关联。此外，研究团队发布了RaMeDiES软件包，支持跨队列的自动化分析，为新的诊断和科研发现提供了工具。研究结果强调，在病例级诊断的基础上，补充跨队列的联合基因组分析具有重要意义。

在方法部分，研究团队首先对UDN队列的4,236名个体进行了全基因组测序数据的统一分析和变异调用，重点关注了单核苷酸变异（SNV）和插入缺失（indel）。通过整合最新的突变率模型和深度学习预测的变异有害性评分，团队开发了RaMeDiES-DN方法，用于检测新生突变的富集。该方法通过计算每个变异在基因中的突变靶标，结合功能预测分数，实现了对新生突变的统计显著性评估。对于复合杂合突变，团队提出了RaMeDiES-CH方法，通过条件概率模型避免了直接模拟群体结构的复杂性。此外，研究还扩展了分析方法，将深内含子剪接变异纳入统计框架，并利用体外大规模并行剪接报告实验验证了预测的剪接变异。临床评估方面，团队开发了半定量协议，基于ClinGen框架，通过分层决策模型提高了诊断候选基因评估的效率和一致性。

图1 | 未诊断疾病网络队列分析

研究结果显示，在886例散发或疑似隐性遗传病例中，RaMeDiES-DN方法成功识别了多个显著富集的新生突变基因。例如，KIF21A基因的新生突变与一名患者的完全诊断和另一名患者的部分诊断相关。

图2 | 新生突变的基因特异性富集

通过结合GeneBayes值，团队进一步发现了BAPI和RHOA等基因的显著关联，这些基因在患者中表现出强烈的临床匹配。此外，扩展分析涵盖所有外显子变异后，KM72B基因的插入缺失突变被确定为四名患者的诊断依据。

图3 | 复合杂合变异

在复合杂合突变分析中，RaMeDiES-CH方法虽未发现显著的基因富集，但通过个体化统计方法RaMeDiES-IND，团队成功识别了多个潜在诊断候选基因，例如MED11基因的深内含子变异与一名神经退行性疾病患者的症状高度匹配。通路分析进一步揭示了表型相似患者亚群中富集的生物学通路，例如免疫蛋白酶体复合物通路中的POMP和PSMB8基因变异与免疫缺陷表型相关。

图4 | 表型相似患者亚群中富集的生物学通路

综上，研究的结论强调了校准良好的统计模型在罕见病诊断中的重要性。通过联合分析跨队列的基因组数据，团队不仅验证了已知诊断，还发现了新的疾病关联和候选基因。RaMeDiES软件包的发布为国际罕见病队列的联合分析提供了工具，有望显著提高全球罕见病的诊断率。然而，研究也指出了当前方法的局限性，例如对非编码区变异和复杂结构变异的分析仍需进一步完善。未来，随着长读长测序技术的普及和突变率模型的优化，罕见病诊断的覆盖范围和准确性将进一步提升。

原始出处：
Nadimpalli Kobren, S., Moldovan, M.A., Reimers, R. et al. Joint, multifaceted genomic analysis enables diagnosis of diverse, ultra-rare monogenic presentations. Nat Commun 16, 7267 (2025).

Tags： Nat Commun：联合多维度基因组分析助力超罕见单基因疾病的诊断