tooluniverse-variant-interpretation

临床变异解读器

使用 ToolUniverse 进行系统化变异解读——从原始变异调用到经过 ACMG 分类并包含结构影响分析的临床建议。

触发条件

在以下情况下使用此技能：

• 询问变异解读、分类或致病性
• 有待进行临床注释的 VCF 数据
• 需要对变异进行 ACMG 分类
• 希望对错义变异进行结构影响分析

核心原则

1. ACMG 指导 - 遵循 ACMG/AMP 2015 指南，并明确列出证据代码
2. 结构证据 - 使用 AlphaFold2 分析新型结构影响
3. 人群背景 - 使用 gnomAD 频率和特定祖源数据
4. 可操作的输出 - 提供明确建议，而不只是分类
5. 优先使用英语查询 - 在工具调用中始终使用英语术语；使用用户的语言回复

---

查询，不要猜测

有人询问变异的意义时，先查询 ClinVar/gnomAD/CIViC。未经数据库核查，绝不对变异进行分类。如果不确定某个事实，首先应该使用工具搜索，而不是绞尽脑汁回忆。

---

工作流概览

Phase 1: VARIANT IDENTITY        → Normalize HGVS, map gene/transcript/consequence, resolve ClinGen CA ID
Phase 2: CLINICAL DATABASES       → ClinVar, gnomAD, OMIM, ClinGen, COSMIC, SpliceAI
Phase 2.5: REGULATORY CONTEXT     → ChIPAtlas/ENCODE annotation + DL variant-effect (AlphaGenome/Enformer/Borzoi/ChromBPNet/Evo2) (non-coding only)
Phase 3: COMPUTATIONAL PREDICTIONS → CADD, AlphaMissense, EVE, SIFT/PolyPhen
Phase 4: STRUCTURAL ANALYSIS      → PDB/AlphaFold2, domains, functional sites (VUS/novel)
Phase 4.5: EXPRESSION CONTEXT     → CELLxGENE, GTEx tissue expression
Phase 5: LITERATURE EVIDENCE      → PubMed, EuropePMC, BioRxiv, MedRxiv
Phase 6: ACMG CLASSIFICATION      → Evidence codes, classification, recommendations

---

阶段 1：变异身份

工具：MyVariant_query_variants、EnsemblVar_get_variant_consequences、NCBIGene_search、VariantValidator_gene2transcripts、VariantValidator_validate_variant、Tark_get_mane_transcripts、Tark_get_transcript、ClinGenAllele_lookup_hgvs、ClinGenAllele_get_allele

VariantValidator_gene2transcripts：查询基因的 MANE Select 和 MANE Plus Clinical 转录本。变异注释前，使用此工具确定正确的规范转录本。

• 参数：gene_symbol（例如 "TP53"）、transcript_set（"mane" | "refseq" | "ensembl" | "all"）、genome_build（默认为 "GRCh38"）
• 返回：{current_symbol, transcripts: [{reference, annotations: {mane_select, mane_plus_clinical}}]} 数组
• 别名：也接受 gene 和 gene_name，作为 gene_symbol

Tark_get_mane_transcripts：通过 Ensembl Tark 轻量查询 MANE Select / MANE Plus Clinical 转录本，并提供 ENST↔RefSeq 配对（例如 gene="BRCA2" → ENST00000380152.8 / NM_000059.4）。可与 VariantValidator 配合，快速交叉核对规范转录本命名空间，或转换 ENST↔NM 登录号。需要解析特定转录本版本时，Tark_get_transcript（参数 stable_id，例如 "ENST00000380152"）会返回归档的转录本记录（组装版本、生物类型、坐标、各发布版本的版本号）。

VariantValidator_validate_variant：验证 HGVS 变异描述，并获取标准化命名及基因组／转录本／蛋白质后果。

• 参数：genome_build（"GRCh37" | "GRCh38"）、variant_description（HGVS，例如 "NM_007294.4:c.5266dup"）、select_transcripts（转录本或 "all"）
• 返回：经验证的 HGVS、蛋白质后果、基因组坐标、基因 ID

ClinGenAllele_lookup_hgvs / ClinGenAllele_get_allele：将基因组（NC_*）、编码区（NM_*）或蛋白质（NP_*）HGVS 表达式解析为 ClinGen Allele Registry 的规范等位基因 ID（CA ID），并在一次调用中获取其与 ClinVar、dbSNP、COSMIC 和 gnomAD 的交叉引用——已实时验证，NM_000546.6:c.743G>A（TP53 p.Arg248Gln）可解析为 CA000387，并附带 ClinVarVariations、dbSNP 和 COSMIC ID。获取 CA ID 后（例如来自已引用 CA ID 的 ClinVar 记录），使用 ClinGenAllele_get_allele(ca_id=...) 可按 CA ID 重新获取同一记录。当变异需要在使用不同登录号的数据库之间进行匹配时，这是一种实用的快速身份规范化步骤——无需 API 密钥。坐标注意事项：genomic_alleles[].start/end 使用从 0 开始的 interbase 坐标（半开区间），而非 HGVS g.／VCF／gnomAD 使用的从 1 开始的位置——将 start 加 1 即可得到 HGVS 基因组位置；每行的 coordinate_system 字段都会明确说明这一点。

记录：HGVS 命名（c. 和 p.）、基因符号、规范转录本（通过 VariantValidator 获取 MANE Select）、后果类型、氨基酸变化、外显子／内含子位置。

阶段 2：临床数据库

工具：ClinVar_search_variants、gnomad_search_variants、gnomad_get_variant、OMIM_search、OMIM_get_entry、ClinGen_search_gene_validity、ClinGen_search_dosage_sensitivity、ClinGen_search_actionability、COSMIC_search_mutations、COSMIC_get_mutations_by_gene、DisGeNET_search_gene、DisGeNET_get_vda、SpliceAI_predict_splice、SpliceAI_get_max_delta、civic_get_variants_by_gene、civic_search_evidence_items、civic_search_assertions。如果已连接可选择启用的 Folklore MCP（folklore_*，需要 FOLKLORE_MCP_URL），它会提供带有来源链接文献的公开 GRCh38 生殖系变异证据——不接受患者、表型或家系数据；与上述所有工具一样，其输出需要由具备资质的专业人员审核，不能单独作为诊断依据。

gnomAD 两步工作流：gnomad_search_variants 只接受 rsID 或变异 ID（不接受基因名称）。先按 rsID 搜索，再使用返回的 variant_id 调用 gnomad_get_variant，获取人群等位基因频率。

CIViC：使用 civic_search_genes(query="<gene_symbol>") 动态查找 CIViC 基因 ID（切勿依赖硬编码的查找表）。然后使用 civic_get_variants_by_gene(gene_id=<id>) 和 civic_search_evidence_items 获取可操作性详情。如果 civic_search_genes 没有返回结果，该基因可能尚未纳入 CIViC 的整理范围——请注明这一缺口。

OncoKB 提示：演示模式仅支持 BRAF、TP53、ROS1。对于其他基因，请设置 ONCOKB_API_TOKEN 环境变量。

以下情况使用 SpliceAI：靠近剪接位点的内含子变异、同义变异、靠近剪接连接处的外显子变异。

实现详情请参见 CODE_PATTERNS.md。

阶段 2.5：调控背景（仅非编码变异）

适用于疾病相关基因附近的内含子（非剪接）、启动子、UTR 或基因间变异。

注释——这里有什么调控元件：ChIPAtlas_enrichment_analysis、ChIPAtlas_get_peak_data、ENCODE_search_experiments、ENCODE_get_experiment。这些工具可告知变异是否位于已知的 TF 结合峰、增强子或开放染色质区域内。

**预测——变异对调控的影响：**注释只能说明某个元件存在，不能说明这个特定等位基因是否会破坏它。基于序列的深度学习模型可以直接回答这一问题：它们读取参考和替代 DNA 窗口，并预测调控信号的变化。这能将“变异位于增强子内”转化为“预测该变异会降低相关组织中的可及性/表达量”——对于非编码变异，这是 ACMG PS3/PP3 实际需要的机制证据，而 SIFT/PolyPhen/AlphaMissense 并不适用。

工具	预测内容	上下文	访问方式
AlphaGenome_atlas_lookup_variant	已知 SNV 的预计算 AVI_SCORE（统一的 AlphaGenome + AlphaMissense 影响分数）及各轨道分数——不运行实时模型	全基因组预计算	托管 API——需要 ALPHA_GENOME_API_KEY（同一密钥，查询速率更高）
AlphaGenome_score_variant	RNA-seq / ATAC / CAGE / 剪接轨道的 Δ（前沿精度，单碱基）	最长 1 Mb	托管 API——需要 ALPHA_GENOME_API_KEY
run_enformer_variant_effect	5,313 个人类轨道（表达、染色质、TF 结合）的 Δ	196 kb	远程 MCP 服务
run_borzoi_variant_effect	RNA-seq 覆盖度的 Δ（侧重表达 / polyA / 剪接）	524 kb	远程 MCP 服务
run_chrombpnet_variant_effect	染色质可及性（ATAC / DNase）的 Δ，碱基分辨率	~2 kb	远程 MCP 服务
Evo2_score_variant	基因组基础模型的对数似然差值；涵盖编码和非编码区域	最长 1 Mb	托管 NIM——需要 NVIDIA_API_KEY
**解读评分：**其中大多数返回的是 Δ（替代等位基因 − 参考等位基因）效应值，而非经过校准的致病概率——在与组织相关的轨道中预测到较大的扰动，可为非编码变异提供机制层面的支持（PS3_supporting / PP3）；各轨道上的效应值接近零，则支持 BP4。应参照已知调控变异进行排序或校准，而不是直接套用绝对阈值。AlphaGenome_atlas_lookup_variant 的 AVI_SCORE 是个例外——它本身就是统一影响评分（融合了 AlphaGenome 的调控信号与 AlphaMissense 的编码模型），因此可以更直接地解读，但仍应结合其他证据加以佐证，而不能将其视为唯一分类依据。

**如何选择：**对于已知的单核苷酸变异，先检查 AlphaGenome_atlas_lookup_variant——它会查找预计算数据库（比实时调用便宜得多），覆盖所有约 90 亿种可能的人类 SNV。对于插入缺失变异，或需要完整的分轨道结果或自定义序列时，改用 AlphaGenome_score_variant（实时结果最全面、上下文最长、准确度领先）；run_enformer_variant_effect / run_borzoi_variant_effect 是可自托管的同类工具（Enformer 适用于一般调控，Borzoi 适用于表达/剪接问题）；如果假设具体涉及染色质可及性，则使用 run_chrombpnet_variant_effect；Evo2_score_variant 可作为仅基于序列的检查，也适用于编码变异。如果未配置密钥/服务端，则改用上文的 ChIPAtlas/ENCODE 注释，并注明预测能力方面的不足，不要臆测。

输入：AlphaGenome_atlas_lookup_variant/AlphaGenome_score_variant 均接受 chromosome + position + reference_bases/alternate_bases（Atlas 还接受 scorers，默认值为 ["AVI_SCORE"]；score_variant 接受 output_type/sequence_length）；Evo2_score_variant 接受 DNA 窗口作为 sequence + position + alternate（点替换），或接受 ref_sequence/alt_sequence，并可选 model（默认 evo2-40b，较快的选项为 evo2-7b）；Enformer/Borzoi/ChromBPNet 远程工具接受变异位点，并计算该变化在其输出轨道上的影响。

Phase 2.9：快速筛查

进行完整的 ACMG 分类前，先检查 ClinVar 中是否已有专家小组对该变异进行分类。使用 MyVariant_query_variants 查询 rsID 或 HGVS 表示法——响应中的 clinvar 字段包含临床意义、审阅状态和 RCV 记录。如果专家小组已将该变异分类为 Pathogenic 或 Benign，请醒目注明，并着重进行确认和情境分析，而不是从头开始分类。

Phase 3：计算预测

**主要方法：**使用 MyVariant_query_variants 并指定 fields=dbnsfp,clinvar,cadd,gnomad_genome，即可通过一次调用获取 15 种以上的预测评分（SIFT、PolyPhen、CADD、REVEL、AlphaMissense、MetaRNN、FATHMM、GERP、PhyloP 等）。这通常已经足够。

REVEL/AlphaMissense 备用方案：如果 MyVariant_query_variants 未返回 dbnsfp 数据块，请使用专用工具：

1. MyVariant_get_pathogenicity_scores（优先备用方案）——通过一次调用返回 REVEL、AlphaMissense、SIFT、PolyPhen2、MetaRNN、GERP、PhyloP 等更多评分，并预先配置了 dbnsfp 字段。输入：variant_id（rsID 或基因组 HGVS）。
2. CADD_get_variant_score（PHRED 0-99）——适用于大多数变异
3. AlphaMissense_get_variant_score（0-1，需要 UniProt ID）——仅适用于错义变异
4. EVE_get_variant_score（0-1）——仅适用于错义变异
5. EnsemblVEP_annotate_hgvs（包含共定位变异的 VEP）——包含 SIFT/PolyPhen
6. 如果仍无法获取 REVEL，请将其注明为一项限制，并依据 CADD + SIFT + PolyPhen 的共识进行判断。缺少 REVEL 不会妨碍分类。

共识：运行 CADD（所有变异）+ AlphaMissense + EVE（错义变异）。2 项或以上结果一致且有害 = 强 PP3；2 项或以上结果一致且良性 = 强 BP4。

阈值参见 ACMG_CLASSIFICATION.md。

阶段 4：结构分析（VUS／新型错义变异）

工具：PDBe_get_uniprot_mappings、NvidiaNIM_alphafold2 （需要 NVIDIA_API_KEY 环境变量；可在 build.nvidia.com 免费获取密钥）、alphafold_get_prediction（参数：qualifier，例如 UniProt 登录号）、InterPro_get_protein_domains、UniProt_get_function_by_accession

工作流：获取结构 -> 定位残基 -> 评估结构域／功能位点 -> 预测稳定性变化。

AlphaFold 的大小限制：非常大的蛋白质（>2,700 aa，例如长达 3,418 aa 的 BRCA2）可能无法通过标准 API 获取 AlphaFold 预测结果。可改用已发表的结构研究，或使用 PDBe_get_uniprot_mappings 查找实验结构。

阶段 4.2：作用机制（VUS 错义变异，ESMC-6B SAE）

AlphaMissense / REVEL / CADD 会给出致病性评分，但不提供作用机制。当你需要回答“该变异如何破坏蛋白质功能”时——例如撰写 VUS 报告、临床报告，或交叉验证存在分歧的预测结果——可使用 ESMC-6B 稀疏自编码器，识别该突变破坏了哪些可解释的蛋白质语言模型特征。

单次调用生成机制摘要（推荐的起点）：

mech = tu.tools.ESM_explain_variant_mechanism(
    sequence=wt_aa_sequence,   # full reference protein sequence
    position=600,              # 1-indexed
    ref_aa="V",
    alt_aa="E",
    top_k_features=5,          # describe top 5 lost + top 5 gained
)
# mech["data"]["mechanism_summary"] e.g.:
#   "Disrupted feature categories (lost): catalytic=2, ligand-binding=1;
#    Induced feature categories (gained): structural-stability=1"

返回 mechanism_summary、逐项特征的丢失／获得表格，以及类别汇总。可在报告中使用类别汇总来支持或限定致病性结论：

• 丢失 catalytic / ligand-binding / ptm 特征 → 为 PP3 提供机制支持
• 在稳定的 WT 区域获得 secondary-structure / structural-stability 特征 → 为“导致不稳定”的论断提供机制依据
• 在前 K 个特征中没有可解释的变化 → 这本身不会削弱 AlphaMissense 的结论，但应标记为需谨慎对待

需要进行饱和扫描时（例如“对残基 600 的全部 19 种替换评分，找出破坏性最强的一种”）：使用 ESM_score_variant_sae_batch；参考序列只需调用 Forge 1 次，每个变异调用 1 次，而不是每个变异调用 2 次。

关注特定区域时（例如“激酶激活环（残基 754-771）的 SAE 特征是什么”）：使用 ESM_get_region_sae_features，再对排名靠前的特征调用 ESM_describe_sae_feature。

需要：ESM_API_KEY 环境变量（可在 https://forge.evolutionaryscale.ai 免费获取非商业用途令牌），以及 pip install 'esm @ git+https://github.com/evolutionaryscale/esm@ee891c52'（SAE 支持尚处于未合并的功能分支中；PyPI 上的 esm 3.2.x 不包含 SAEConfig）。许可证：EvolutionaryScale Cambrian Inference License——仅限非商业用途。

阶段 4.5：表达背景

工具：CELLxGENE_get_expression_data、CELLxGENE_get_cell_metadata、GTEx_get_median_gene_expression

确认基因在疾病相关组织中的表达情况。若表达高度受限，可支持 PP4；若受影响组织中没有表达，则会对分类结果构成质疑。

阶段 5：文献证据

工具：PubMed_search_articles、EuropePMC_search_articles、BioRxiv_list_recent_preprints、MedRxiv_get_preprint、openalex_search_works、SemanticScholar_search_papers

务必标明预印本尚未经过同行评审。

阶段 6：ACMG 分类

应用所有相关证据代码（致病：PVS1、PS1、PS3、PM1、PM2、PM5、PP3、PP5；良性：BA1、BS1、BS3、BP4、BP7）。完整算法请参阅 ACMG_CLASSIFICATION.md。

基因特异性人群频率阈值

BS1（等位基因频率对于该疾病而言过高）需要针对基因进行校准，而非采用统一阈值：

• 高外显率基因（BRCA1、TP53）：BS1 阈值约为 0.0001
• 中等外显率基因（PALB2、ATM、CHEK2）：BS1 阈值约为 0.001
• 低外显率／常见疾病相关基因：BS1 阈值更高，取决于疾病患病率
• 公式：BS1 阈值 =（疾病患病率 × 最大等位基因贡献 × 最大遗传贡献）/ 外显率
• 如有疑问，请将该变异的 AF 与同一基因中任何已知致病变异的最高 AF 进行比较——若该变异的 AF 高于此值，则很可能适用 BS1。

处理相互矛盾的证据：功能证据与流行病学证据

这是变异解读中最具挑战性的情形之一。当生化检测显示存在损伤，但人群／流行病学数据未显示与疾病相关时：

1. 临床分类通常应以流行病学数据为准，而非体外检测。如果某变异的频率约为 0.1%，且在 4 万多例病例中均未发现疾病关联，那么即使它在试管实验中降低了蛋白质功能，在临床上也不太可能具有显著意义。
2. 谨慎应用 PS3/BS3：ClinGen 的 SVI 建议，PS3（支持致病性的功能证据）要求检测经过已知致病和已知良性对照验证。未经此类验证的单项生化研究，最多只能作为 PS3_Supporting 证据。
3. 低功能变异：有些变异确实会降低蛋白质功能（可通过灵敏的检测发现），但降低幅度不足以致病。这种情况在生物学上确实存在，但并不能因此将变异判定为致病。
4. 在报告中明确记录这一冲突。说明：“生化检测 X 显示 [result]，但纳入 N 例病例的病例对照研究 Y 未发现显著的疾病关联。根据 ACMG 指南，临床分类时流行病学证据的权重更高。”

ACMG 贝叶斯评分系统（Tavtigian 等人，2018 年）

现代临床实验室采用基于分值的系统，而非最初的规则计数方法：

证据级别	致病性分值	良性分值
极强（PVS1）	+8	--
强（PS1-PS4）	每项 +4	每项 -4（BS1-BS4）
中等（PM1-PM6）	每项 +2	--
支持（PP1-PP5）	每项 +1	每项 -1（BP1-BP7）
独立证据（BA1）	--	-8

按总分分类：

• 致病：>= 10 分
• 可能致病：6-9 分
• 意义未明变异（VUS）：-5 至 5 分
• 可能良性：-6 至 -9 分
• 良性：<= -10 分

该系统能自然处理相互矛盾的证据——某变异的 PS3（+4）、BS1（-4）和 BP4（-1）合计为 -1，分类为 VUS。原有的规则式方法难以处理这种情况。

计算流程：ACMG 贝叶斯分类

# Automated ACMG point calculation
# Input: dict of evidence codes with their applied strength

def classify_acmg(evidence: dict) -> dict:
    """
    Classify a variant using the Bayesian ACMG point system.

    Args:
        evidence: dict mapping ACMG codes to strength levels.
            Pathogenic codes: 'very_strong', 'strong', 'moderate', 'supporting'
            Benign codes: 'stand_alone', 'strong', 'supporting'

    Example:
        evidence = {
            'BS1': 'strong',       # AF too high
            'BS3': 'supporting',   # Epidemiological evidence against pathogenicity
            'BP6': 'supporting',   # ClinVar benign consensus
            'PP3': 'supporting',   # Computational predictors say damaging
        }
    """
    pathogenic_points = {
        'very_strong': 8, 'strong': 4, 'moderate': 2, 'supporting': 1
    }
    benign_points = {
        'stand_alone': -8, 'strong': -4, 'supporting': -1
    }

    total = 0
    details = []
    for code, strength in evidence.items():
        if code.startswith(('PVS', 'PS', 'PM', 'PP')):
            pts = pathogenic_points.get(strength, 0)
        elif code.startswith(('BA', 'BS', 'BP')):
            pts = benign_points.get(strength, 0)
        else:
            pts = 0
        total += pts
        details.append(f"{code} ({strength}): {pts:+d}")

    if total >= 10:
        classification = "Pathogenic"
    elif 6 <= total <= 9:
        classification = "Likely Pathogenic"
    elif -5 <= total <= 5:
        classification = "VUS"
    elif -9 <= total <= -6:
        classification = "Likely Benign"
    else:
        classification = "Benign"

    return {
        'classification': classification,
        'total_points': total,
        'evidence_breakdown': details
    }

# Example: PALB2 c.2816T>G (from test case)
result = classify_acmg({
    'BS1': 'strong',       # gnomAD AF 0.00105 exceeds threshold
    'BS3': 'supporting',   # Case-control study shows no association
    'BP6': 'supporting',   # ClinVar 13 submitters say benign/likely benign
})
# Output: Likely Benign, total_points=-6, evidence: BS1(strong):-4, BS3(supporting):-1, BP6(supporting):-1

收集完阶段 1-5 的所有证据后，使用此流程计算最终分类。

基因特异性 VCEP 标准

ClinGen 变异解读专家组（VCEP）会发布基因特异性的 ACMG 修订标准。分类前，请检查是否存在相应的 VCEP：

• ClinGen_search_gene_validity(gene="<gene_symbol>") — 如果有效性为 "Definitive" 或 "Strong"，则很可能存在相应的 VCEP
• 常见的 VCEP：BRCA1/2（Enigma）、TP53、PTEN、CDH1、PALB2、RAS 病、Lynch 综合征相关基因
• VCEP 标准优先于通用 ACMG 标准（例如，PALB2 VCEP 对 PM1 热点区域有具体规定）

预测工具的权重

计算预测工具的效能并不相同。对于错义变异：

• REVEL（AUC 约为 0.95）——最佳的单一元预测工具；权重最高
• AlphaMissense（AUC 约为 0.94）——效能强，并考虑结构信息
• CADD（AUC 约为 0.85）——适用于所有变异类型，但对错义变异的特异性较低
• SIFT/PolyPhen（AUC 约为 0.80）——较旧的工具；可用于综合判断，但单独使用不足以定论

预测结果不一致时：如果 REVEL 判定为可耐受，而 SIFT/PolyPhen 判定为有害，应倾向采信 REVEL。如果无法使用 REVEL，则至少需要 3 个预测结果一致，才能应用 PP3/BP4。

工具故障时的备用方案

如果主要工具发生故障，请使用以下替代方案：

• ClinVar_search_variants 返回 0 个结果：使用 MyVariant_query_variants 并提供 rsID 或 HGVS——在查询变异时，MyVariant 中的 clinvar 字段比 NCBI Entrez 搜索更可靠
• gnomad_search_variants 失败：使用 EnsemblVEP_annotate_hgvs，它会通过共定位变异提供 gnomAD 频率
• CADD_get_variant_score 失败：MyVariant 的 dbnsfp 区块中也提供 CADD PHRED 值
• 无法进行 AlphaFold 预测（大型蛋白质，>2700aa）：使用 PDBe_get_uniprot_mappings 查询实验测定的结构

---

特殊场景

新发错义 VUS：检查 PM5（同一残基上的其他致病变异），获取 AlphaFold2 结构，并酌情应用 PM1/PP3。

截断变异：检查 LOF 机制、NMD 逃逸、替代转录本和 ClinGen LOF 解读。以适当强度应用 PVS1。

剪接变异：运行 SpliceAI，评估与经典剪接位点的距离及跳读后保持阅读框的可能性。根据评分应用 PP3/BP7。

---

输出结构

# Variant Interpretation Report: {GENE} {VARIANT}
## Executive Summary
## 1. Variant Identity
## 2. Population Data
## 3. Clinical Database Evidence
## 4. Computational Predictions
## 5. Structural Analysis
## 6. Literature Evidence
## 7. ACMG Classification
## 8. Clinical Recommendations
## 9. Limitations & Uncertainties
## Data Sources

文件命名：{GENE}_{VARIANT}_interpretation_report.md

---

临床建议

致病/可能致病：加强筛查、降低风险的选择、调整药物剂量、生育咨询、家系级联筛查。

VUS：不得用于医疗决策。1-2 年后重新解读。开展功能研究并获取共分离数据。

良性/可能良性：预计不会导致疾病。无需进行级联检测。

---

量化最低要求

部分	要求
群体频率	gnomAD 总体数据 + 至少 3 个祖源群体
预测	至少 3 种计算预测工具
文献检索	至少 2 种检索策略
ACMG 代码	列出所有适用代码

---

跨技能参考

若要了解变异位点的氨基酸特性，请运行：python3 skills/tooluniverse-sequence-analysis/scripts/amino_acids.py --type amino_acid --code X

---

参考资料

• ACMG_CLASSIFICATION.md - 证据代码、分类算法、预测阈值、结构/调控影响表
• CODE_PATTERNS.md - 各工作流阶段可复用的代码模式
• CHECKLIST.md - 交付前核验
• EXAMPLES.md - 解读示例
• TOOLS_REFERENCE.md - 工具参数和备用方案