349_致病性变异分类ACMG标准¶

# ========== 使用InterVar自动化ACMG分类 ==========

# InterVar是目前最广泛使用的自动化ACMG分类工具
# 安装：pip install intervar 或从GitHub下载

import subprocess   # 调用命令行
import pandas as pd # 数据处理

def run_intervar(annotated_vcf, output_prefix):
    """
    运行InterVar自动ACMG分类
    annotated_vcf: ANNOVAR注释后的VCF文件
    """
    cmd = [
        "python", "Intervar.py",
        "-b", "hg38",                    # 参考基因组版本
        "-i", annotated_vcf,             # 输入注释VCF
        "--input_type", "VCF",           # 输入类型
        "-o", output_prefix,             # 输出前缀
        "-d", "humandb/",               # ANNOVAR数据库目录
        "--table_annovar", "table_annovar.pl",  # ANNOVAR脚本路径
        "--convert2annovar", "convert2annovar.pl"  # 格式转换脚本
    ]

    result = subprocess.run(cmd, capture_output=True, text=True)
    print("InterVar运行完成" if result.returncode == 0 else f"错误: {result.stderr}")

# 读取InterVar结果
def parse_intervar_results(intervar_output):
    """
    解析InterVar输出，提取ACMG分类信息
    """
    df = pd.read_csv(intervar_output, sep='\t', header=0)

    # 提取ACMG分类列
    acmg_col = [col for col in df.columns if 'InterVar' in col][0]

    # 统计各等级变异数量
    classification_counts = df[acmg_col].value_counts()
    print("ACMG分类统计：")
    for cls, count in classification_counts.items():
        print(f"  {cls}: {count}")  # 输出各级别数量

    # 提取P/LP变异
    pathogenic = df[df[acmg_col].str.contains('Pathogenic', na=False)]
    print(f"\n致病/可能致病变异: {len(pathogenic)}")

    return df, pathogenic

# 使用示例
# run_intervar("patient.vcf", "patient_intervar")
# df, pl_variants = parse_intervar_results("patient_intervar.hg38_multianno.txt.intervar")

# ========== 手动ACMG规则应用（核心规则示例）==========

def classify_variant_acmg(variant_info):
    """
    根据变异信息应用核心ACMG规则
    variant_info: 字典，包含变异相关信息
    """
    pathogenic_evidence = []  # 致病证据
    benign_evidence = []      # 良性证据

    # ===== 致病性证据检查 =====

    # PVS1: 无效变异在已知致病基因中
    if variant_info.get('consequence') in ['stop_gained', 'frameshift', 
                                            'splice_donor', 'splice_acceptor',
                                            'start_lost']:
        if variant_info.get('gene_known_lof_disease', False):
            pathogenic_evidence.append(('PVS1', 'Very Strong'))  # 最强致病证据

    # PS3: 功能实验证明有害（需要实验数据）
    if variant_info.get('functional_study_harmful', False):
        pathogenic_evidence.append(('PS3', 'Strong'))  # 强致病证据

    # PM2: 人群频率极低（2020年后降为Supporting）
    gnomad_af = variant_info.get('gnomad_af', 0)
    if gnomad_af < 0.0001 or gnomad_af == 0:  # 极低频或未见
        pathogenic_evidence.append(('PM2_Supporting', 'Supporting'))

    # PP3: 计算预测工具预测有害
    cadd = variant_info.get('cadd_phred', 0)
    if cadd >= 20:
        pathogenic_evidence.append(('PP3', 'Supporting'))  # 支持致病证据

    # PP5: ClinVar已知致病报告（多个提交者）
    clinvar_sig = variant_info.get('clinvar_significance', '')
    if 'Pathogenic' in clinvar_sig:
        pathogenic_evidence.append(('PP5', 'Supporting'))

    # ===== 良性证据检查 =====

    # BA1: 人群频率>=5%（直接良性）
    if gnomad_af >= 0.05:
        benign_evidence.append(('BA1', 'Stand Alone'))  # 独立良性证据

    # BS1: 频率高于预期（疾病频率）
    elif gnomad_af >= 0.01:
        benign_evidence.append(('BS1', 'Strong'))  # 强良性证据

    # BP4: 计算预测工具预测良性
    sift = variant_info.get('sift_score', 1.0)
    if sift > 0.5:  # SIFT >0.5认为耐受
        benign_evidence.append(('BP4', 'Supporting'))

    # ===== 综合分类 =====
    classification = classify_by_rules(pathogenic_evidence, benign_evidence)

    return {
        'pathogenic_evidence': pathogenic_evidence,
        'benign_evidence': benign_evidence,
        'classification': classification
    }

def classify_by_rules(path_ev, benign_ev):
    """根据ACMG规则组合进行分类"""
    # 简化版规则（实际分类需完整规则表）
    path_strength = {'Very Strong': 4, 'Strong': 3, 'Moderate': 2, 'Supporting': 1}

    # 计算致病证据总分
    path_score = sum(path_strength.get(s, 0) for _, s in path_ev)

    # 良性证据存在Stand Alone直接良性
    if any(s == 'Stand Alone' for _, s in benign_ev):
        return 'Benign (B)'

    # 分类逻辑
    if path_score >= 8:
        return 'Pathogenic (P)'      # 致病
    elif path_score >= 6:
        return 'Likely Pathogenic (LP)'  # 可能致病
    elif len(benign_ev) >= 2:
        return 'Likely Benign (LB)'  # 可能良性
    else:
        return 'VUS'                  # 意义未明

# ========== ClinVar查询确认已知分类 ==========

# 使用E-utilities API查询ClinVar
# 示例：查询特定变异的ClinVar记录

# 方法1：直接API查询（基于rsID）
curl -s "https://eutils.ncbi.nlm.nih.gov/entrez/eutils/esearch.fcgi?\
db=clinvar&term=rs80357906[RS]&retmax=5&retmode=json" \
| python3 -c "import json,sys; data=json.load(sys.stdin); \
print('ClinVar ID:', data['esearchresult']['idlist'])"  # 输出ClinVar ID

# 方法2：使用ClinVar API搜索（推荐）
python3 << 'EOF'
import requests   # HTTP请求
import json       # JSON解析

# 搜索BRCA1 c.5266dupC（常见BRCA1致病变异）
url = "https://eutils.ncbi.nlm.nih.gov/entrez/eutils/esearch.fcgi"
params = {
    "db": "clinvar",
    "term": "BRCA1[GENE] AND 5266dupC[VARIANT]",  # 搜索条件
    "retmax": 5,
    "retmode": "json"
}
response = requests.get(url, params=params, timeout=30)
data = response.json()
print("ClinVar搜索结果ID:", data['esearchresult']['idlist'])  # 打印结果ID
EOF