ClariMedClariMed
Nature Communications2025

V2P-Modell: Phänotyp-spezifische Variantenanalyse (Nature)

KI-generierte Zusammenfassung · Basiert auf Nature Communications Leitlinie · Erstellt: April 2026 · Keine Diagnose- oder Therapieempfehlung

📋Auf einen Blick

  • Das Variant-to-Phenotype (V2P) Modell sagt die Pathogenität von Genvarianten basierend auf 23 HPO-Phänotypen voraus.
  • Es ist für Single Nucleotide Variants (SNVs) und Indels im gesamten Genom (kodierend und nicht-kodierend) anwendbar.
  • V2P übertrifft herkömmliche Pathogenitäts-Prädiktoren bei der Identifikation ursächlicher Krankheitsvarianten in Patientendaten.
  • Vorberechnete V2P-Scores für alle hg38-SNVs und gnomAD-Indels sind frei verfügbar.
Frage zu dieser Leitlinie stellen...

Hintergrund

Bisherige computergestützte Methoden zur Vorhersage von Varianteneffekten (Variant Effect Predictors, VEPs) bewerten pathogene Varianten meist als homogene Klasse. Sie unterscheiden nicht zwischen verschiedenen Krankheitsausgängen und sind oft auf bestimmte molekulare Konsequenzen beschränkt. Das neu entwickelte Variant-to-Phenotype (V2P) Modell adressiert diese Limitationen durch einen phänotypspezifischen Ansatz.

Das V2P-Modell

V2P ist ein Multi-Task-Machine-Learning-Modell, das die Pathogenität von Varianten in Abhängigkeit von 23 übergeordneten Krankheitsphänotypen der Human Phenotype Ontology (HPO) vorhersagt.

Das Modell generiert für jede Variante 24 spezifische Werte (zwischen 0 und 1):

  • 1 Score für die allgemeine Wahrscheinlichkeit (pathogen vs. benigne)
  • 23 Scores für die Wahrscheinlichkeit der Assoziation mit spezifischen HPO-Phänotypen (z. B. Anomalien des Nervensystems, Neoplasien)
EigenschaftV2P-ModellHerkömmliche VEPs
VorhersagezielPathogenität + 23 spezifische HPO-PhänotypenMeist nur allgemeine Pathogenität
VariantentypenSNVs und IndelsOft nur SNVs
GenombereichKodierend und nicht-kodierendOft auf kodierende Regionen beschränkt

Biologische Merkmale und Phänotypen

Die Vorhersagen von V2P basieren auf einer Vielzahl biologischer Merkmale. Die Analyse zeigt, dass Varianten, die zu unterschiedlichen Phänotypen führen, unterschiedliche Eigenschaften aufweisen:

  • Essenzielle Gene: Varianten, die zu Neoplasien oder Anomalien des kardiovaskulären und Nervensystems führen, betreffen häufiger essenzielle Gene.
  • Weniger essenzielle Gene: Varianten, die Anomalien von Ohr, Auge oder Urogenitalsystem verursachen, finden sich seltener in essenziellen Genen.

Klinische Anwendung und Leistung

V2P eignet sich besonders für die Analyse von Exom- oder Genomsequenzierungsdaten (WES/WGS) bei Patienten mit seltenen Erkrankungen. Durch die Einbeziehung der Patientenpathologie und der entsprechenden V2P-Phänotyp-Scores können ursächliche Varianten präziser priorisiert werden.

In einer vergleichenden Analyse zur Identifikation kausaler Varianten bei Patienten mit seltenen Immunerkrankungen zeigte V2P eine überlegene Leistung:

PrädiktorMedianer Rang der kausalen Variante
V2P2,0
CADD5,5
Capice10,0

V2P übertraf auch bei nicht-kodierenden Varianten (MPRA-Daten) andere Tools wie FATHMM und zeigte eine vergleichbare oder bessere Leistung als CADD.

💡Praxis-Tipp

Nutzen Sie die vorberechneten V2P-Scores (verfügbar unter v2p.ai) bei der Auswertung von WES/WGS-Daten, insbesondere wenn Sie nach Varianten für einen spezifischen klinischen Phänotyp suchen. Die Kombination aus allgemeiner Pathogenität und HPO-spezifischem Score verbessert die Priorisierung deutlich.

Häufig gestellte Fragen

V2P kann für Single Nucleotide Variants (SNVs) und kleine Insertionen/Deletionen (Indels) im gesamten Genom (kodierend und nicht-kodierend) angewendet werden.
Das Modell prognostiziert die Wahrscheinlichkeit für 23 übergeordnete Krankheitsphänotypen der Human Phenotype Ontology (HPO).
Vorberechnete Scores für alle möglichen SNVs im hg38-Referenzgenom und alle Indels aus gnomAD sind online unter v2p.ai frei zugänglich.
In den untersuchten Datensätzen übertraf V2P durch seinen phänotypspezifischen Ansatz herkömmliche Tools wie CADD bei der Priorisierung kausaler Varianten in Patientendaten deutlich.

Verwandte Leitlinien