可扩展的方法用于生成、验证和整合高通量功能测定的数据以改进临床变异分类

主要观点总结

本文主要介绍了变异效应多重测定（MAVEs）在临床胚系遗传测试中的应用，通过机器学习平台控制模型质量，并将通过验证的模型纳入临床变异分类。文章介绍了MAVE数据评估框架、机器学习平台的应用、变异重新分类以及影响等方面内容。

关键观点总结

关键观点1: 变异效应多重测定（MAVEs）是系统表征遗传变异功能效应的一种技术，被用于临床胚系遗传测试中变异的分类。

MAVEs技术能够在单一混合实验中同时表征许多DNA变异，对于临床变异分类具有重大意义。

关键观点2: 文章采用机器学习平台对MAVE数据构建的模型进行质量评估和控制，将经过严格验证的模型纳入临床变异分类。

机器学习平台的使用提高了模型的质量，使得变异的分类更加准确和可靠。

关键观点3: 文章对44个与疾病相关的基因执行了MAVE实验，生成了新功能数据，整合了24个细胞模型到临床变异分类中，为超过57,000个个体中的超过4,000个变异提供了额外的分类证据。

这些实验数据将有助于更准确地分类遗传变异，为诊断确认和治疗决策提供更可靠的依据。

关键观点4: 传统的遗传测试实验室获取功能实验数据的方式存在分散、评估不标准、定性且易受主观影响等问题。而MAVE技术的出现为遗传测试实验室提供了新的机会，能够系统地评估并整合功能证据到变异分类中。

MAVE技术的应用将有助于提高遗传测试的准确性和可靠性，为患者提供更加精准的诊断和治疗方案。