结构网络分析结合AlphaFold识别视网膜遗传病致病变异
摘要
研究将结构基础网络分析（SBNA）方法应用于AlphaFold2预测的蛋白质结构，评估其对遗传性视网膜疾病（IRD）致病错义变异的识别能力。在已知结构的蛋白中，SBNA区分良性和致病变异的AUC为0.763；在AlphaFold2结构中为0.755；针对374种IRD相关蛋白（含185种无实验结构者），AUC达0.779。该方法在56%尚未明确致病基因的IRD患者中识别出可能的致病变异。
信息来源： PubMed Ophthalmology 发布于 2026年8月3日
要点速览
- SBNA在AlphaFold2结构上区分IRD致病与良性变异的AUC达0.779，适用于185种无实验结构的IRD相关蛋白
- 研究将结构基础网络分析（SBNA）首次系统应用于AI生成的蛋白质结构，用于IRD变异解读
- 该方法在56%尚未明确致病基因的IRD患者中识别出可能的致病变异
本站解读
这项研究的核心突破在于：它绕开了依赖历史临床数据的传统路径，仅靠蛋白质三维结构本身就能判断某个基因变异是否可能致病——而且验证效果稳定，AUC值在0.755–0.779之间，说明有中等偏上的判别能力。样本覆盖了ClinVar数据库中的已知变异，并拓展到374种IRD相关蛋白，其中185种此前根本没有实验解析的结构，这大幅拓宽了适用边界。
研究设计属于回顾性计算分析，未涉及患者干预或前瞻性验证，因此离直接进诊室还有距离：它目前是辅助诊断工具，不是独立确诊依据。要真正改变临床流程，还需在真实IRD家系中做盲法验证，并整合进现有基因检测报告系统。
普通人无需因此改变日常用眼习惯或主动去查基因；但若已确诊IRD且多年未找到致病基因，这项技术未来可能提升复检时的检出率。国内情况有待确认。
常见问题
我得了遗传性视网膜病，但基因检测一直没找出病因，这个新方法能帮上忙吗？
这项技术在研究中帮助56%尚未明确致病基因的IRD患者找到了可能的致病变异，但它目前仍处于实验室验证阶段，尚未作为常规检测项目应用。是否纳入你的后续基因分析，取决于所在检测机构是否采用该算法。如有疑虑可咨询眼科医生。
AI算出来的蛋白结构靠谱吗？靠它判断基因变异会不会误诊？
研究对比发现，用AlphaFold2结构计算的SBNA评分与实验结构结果高度一致（AUC 0.755 vs. 0.763），说明AI结构已具备足够精度支撑变异评估。但它只是辅助工具，不能单独用于确诊，最终仍需结合家族史、临床表现和其他检测综合判断。
延伸阅读
四名巴勒斯坦同胞CFAP418基因突变致视网膜变性表现差异
本研究报道了一个近亲婚配的巴勒斯坦家庭中四名同胞均携带CFAP418基因c.155+1G>A纯合突变，该突变此前于2018年在家族研究信中首次报告。四人年龄为26–30岁，其中一对男性双胞胎出生即有多指畸形，其余两人无此表现。双胞胎有严重视力障碍、白内障、色素性视网膜变性及几乎消失的视杆电生理反应。其他两名同胞缺乏标准化眼科检查数据。研究强调了相同基因型下表型差异，并指出需多学科随访与遗传咨询。
深度学习通过眼底图像识别遗传性视网膜疾病
研究团队利用宽视野自发荧光（FAF）和伪彩色眼底（pCF）图像，训练了9个EfficientNet-V2-m深度学习模型，对409名患者（330例IRD患者含25种常见致病基因，79例非IRD）进行三类分类：IRD vs 非IRD、两组各5个致病基因的分组。多模态模型（FAF+pCF）表现最优，二分类准确率达0.95±0.01，基因分组准确率最高为0.92±0.03。
机器学习在遗传性视网膜疾病中的应用评估
遗传性视网膜疾病（IRDs）的诊断中，对于框内插入和删除变异（indels）的致病性预测标准尚不成熟。本研究系统评估了四种机器学习工具（CADD、FATHMM-indel、VEST4 和 MetaRNN-indel）在IRD患者队列中的表现。结果显示，MetaRNN-indel 在整体性能上优于其他工具。进一步将MetaRNN-indel应用于1013名未确诊的IRD患者，成功识别出两名患者的可能致病性变异，并通过临床表型确认。这些发现表明，通过适当的评估和调优，现有的机器学习工具可以可靠地预测框内indels的致病性。