基于靶向二代测序的乳腺癌多基因风险评分PRS313计算方法的开发与验证：迈向临床整合的新突破

　　本研究针对当前乳腺癌多基因风险评分PRS313依赖SNP微阵列技术、难以整合至测序临床流程的瓶颈，开发了一种基于靶向NGS的PRS计算方法。通过引入27个连锁不平衡替代SNP优化检测 panel，在154例患者中实现与微阵列参考方法的高度一致性（R2=0.95），临床风险分类一致性达97%。该研究为PRS313在常规肿瘤遗传 workflows 中的整合提供了经济高效的技术路径，推动乳腺癌个性化风险预测的临床实施。

　　

在乳腺癌防治领域，多基因风险评分（Polygenic Risk Score, PRS）正逐渐成为个性化风险评估的重要工具。其中包含313个基因组变异（267个SNP和46个indel）的PRS₃₁₃表现尤为突出，已被整合进BOADICEA预测模型和CanRisk软件，显著提升了乳腺癌风险预测能力。然而，当前PRS₃₁₃的实施主要依赖于SNP微阵列技术，这与临床基因检测中广泛应用的下一代测序（Next-Generation Sequencing, NGS）工作流程存在技术壁垒，限制了其在常规临床实践中的广泛应用。

为了解决这一技术瓶颈，法国克莱蒙奥弗涅大学的研究团队开展了一项开创性研究，旨在开发并验证一种基于靶向NGS的PRS₃₁₃计算方法。研究人员直面临床整合的挑战：如果PRS成为临床常规，能够使用与致病基因突变检测相同的测序技术进行计算，将为肿瘤遗传学实验室节省大量时间和成本，避免在SNP阵列设备上的重大投资。

研究团队采用了多维度技术路线开展方法学验证。他们收集了154例通过让·佩林中心肿瘤遗传咨询就诊的女性DNA样本，这些样本覆盖了广泛的PRS值范围（-1.869至1.4655），代表了90%普通人群的PRS分布。每个样本同时采用Illumina Infinium OncoArray微阵列和靶向NGS进行基因分型。针对NGS检测中低覆盖度和/或低复杂度区域的SNP，研究人员通过NIH的LDproxy工具筛选了27个高连锁不平衡（D’值0.7998-1，r²值0.47-1）的替代SNP加入检测panel，其中两个SNP因负连锁关系需要进行基因型反转。生物信息学分析采用BWA进行序列比对，GATK和PICARD工具进行基质量分数重新校准、重比对和PCR重复去除，变异识别使用GATK HaplotypeCaller。

效率与一致性分析

研究首先评估了SNP测序效率。原始panel平均测序深度达559x，但15个SNP覆盖度不足（平均<30x），主要位于基因组低复杂度区域。46个SNP与OncoArray结果一致性低于90%。优化后的panel将低深度SNP减少至2个，基因型一致性显著提升：SNP水平一致性>90%的比例从85%提高到92%，患者水平匹配SNP比例从85-95%提升至94-99%。

基因型一致性验证

灵敏度特异性分析显示，优化panel使NGS方法的灵敏度从88%提升至96%，特异性保持在97%高位。对于微阵列直接检测的SNP（排除插补偏差），灵敏度和特异性均达到99.8%。等位基因频率比较证实，优化panel的频率相关性（R²=0.96）接近微阵列水平（R²=0.98），远高于原始panel（R²=0.78）。

评分相关性验证

PRS₃₁₃计算结果显示，优化panel的NGS PRS与微阵列PRS的决定系数R²从0.90提升至0.95，表明两种方法高度一致。极端PRS值未出现额外差异，证明方法在整个风险谱系均可靠。

临床风险分类评估

通过CanRisk工具评估临床意义发现，仅基于PRS的终生乳腺癌风险分类一致性从94%提升至98%。在模拟的7,392个虚构临床情景中（结合48种临床场景和154个PRS），优化panel使风险类别改变率从7.3%降至3.2%，意味着96.8%的临床情境中NGS PRS能够提供与微阵列PRS相同的临床随访建议。

研究结论强调，这种优化的靶向NGS方法为PRS₃₁₃计算提供了与标准微阵列高度一致的解决方案（R²>0.95），灵敏度和特异性均超过95%。更重要的是，NGS确定的PRS仅对最多3%接近阈值患者的风险分类产生影响，具有高度的临床可靠性。

讨论部分指出，大多数基因型差异出现在插补SNP上，当SNP不位于低复杂度区域时，NGS提供的基因型可能比插补基因型更准确。与已有研究相比，如BRIDGES PRS（缺少18个SNP）和PERSPECTIVE I&I PRS（使用8个替代SNP），本研究是唯一直接比较优化NGS panel与OncoArray PRS₃₁₃的研究，样本量超过150例，验证结果更为可靠。

这项研究的重大意义在于首次提供了经过严格验证的、基于靶向NGS的PRS₃₁₃计算方法，为肿瘤遗传学实验室的常规实施铺平了道路。将这一设计整合到现有常规HBOC（遗传性乳腺癌卵巢癌）检测panel中，只需最小程度的测序增加且无需额外实验工作，是一种时间和成本效益极高的解决方案，有望推动个性化乳腺癌风险预测在临床实践中的广泛应用。