为何SDHB剪接变异停滞于VUS
致病性种系SDHB变异可导致嗜铬细胞瘤和副神经节瘤，且SDHB相关疾病往往具有侵袭性，因此准确的分类在临床上十分紧迫[1][2]。然而，ClinVar中约40%的SDHB变异仍为意义不明的变异，而内含子变异或同义变异尤为困难，因为功能读出和患者样本很少可获得[1]。遗传性PPGL监测指南已根据基因型区分监测策略，因此一个被留作VUS的变异可直接影响到一个家族是否能接受SDHB模式的筛查[2]。基础性研究也已表明，SDHB缺失可通过免疫组织化学进行筛查，但弱阳性染色仍需基因水平的解析，从而留下同样的解读缺口[10]。
微小基因检测带来了哪些改变
锚定研究构建了一个覆盖外显子2–5及侧翼内含子序列的SDHB小基因，引入了48个经SpliceAI优先排序的单核苷酸变异及两个阴性对照，在HEK293T细胞中表达，并通过靶向RNA测序对转录本进行定量[1]。19个变异（38%）显示≥90%的野生型剪接，17个（34%）显示≥90%的异常剪接，所有变异共观察到73种异常转录本，平均每个变异2.3种，去重后为22种独特转录本[1]。73种异常转录本中有64种（88%）被赋予基于RNA的证据强度，在26个被分类的变异中，10个获得PVS1_Strong（RNA），2个获得PVS1_Moderate（RNA），14个获得BP7_Strong（RNA）[1]。实际后果是ACMG评分平均偏移2.7分，13个变异（50%）被重新分类，其中以12个VUS降级为可能良性变异和1个可能致病性变异降级为VUS为主[1]。
SpliceAI预测与功能读出的比较
SpliceAI经过基准测试并被广泛使用，但该数据集显示了其局限性：在未屏蔽的SpliceAI Δ ≥0.42的变异中，40%仍表现出≥90%的野生型表达，其中五个变异的屏蔽后SpliceAI评分降至0.2以下[1]。作者指出，屏蔽后评分本可将假阳性预测降至29%，但对非经典内含子和外显子变异而言，仍存在显著的特异性问题[1]。其他竞争性计算工作支持了一个更广泛的观点：真实临床环境中的预测性能比开发者报告的基准测试更为有限——一项在ABCA4和MYBPC3功能数据集上对十种工具的基准测试发现，SpliceAI对深层内含子ABCA4变异表现最佳，但SpliceRover或共识方法对其他变异类别更优[7]。更新的基于Transformer的模型报告称，在剪接位点检测方面优于SpliceAI-10k，但这些改进是在注释和RNA-seq基准上测得的，而非针对SDHB特异性功能重分类[4]。CI-SpliceAI和Splam同样报告了增量准确性改进，但这些工具均未能解决在SDHB这类基因中进行转录本水平确认的需求[8][9]。
微小基因与RNA诊断及肿瘤证据的比较
小基因试验在变异分类中并非新生事物。一项针对BRCA2第16外显子的小基因研究对12个可能影响剪接的变异进行了功能检测，发现其中8个改变了剪接，并利用荧光毛细管电泳检测到了琼脂糖凝胶所遗漏的微量转录本[3]。这一前驱性工作确立了小基因作为临床分类中稳健功能工具的定位，但同时也表明，当全长转录本与异常转录本共存时，转录本解读可能较为复杂[3]。SDHB研究延续了这一脉络，采用靶向NGS替代基于凝胶的检测：NGS所识别的转录本中仅47%可通过凝胶电泳和Sanger测序检出，微小剪接改变及意外效应尤其容易被遗漏[1]。诸如paRDal等平行DNA/RNA NGS框架现已将PVS1(RNA)应用于遗传性肿瘤诊断，但它们依赖患者RNA，且可能受到无义介导的mRNA降解、杂合性缺失以及异常转录本低表达等因素的干扰[5]。SDHB研究的作者明确承认了这一局限：来自两名患者的肿瘤RNA证实了与变异一致的异常剪接，但无法进行可靠定量，而小基因则提供了不依赖等位基因的测量[1]。
重新分类主张的局限性
重新分类的结果是真实的，但有其局限性。该检测在HEK293T细胞中进行，这是一种非嗜铬、非神经嵴来源的模型，因此无法完全代表副神经节或嗜铬细胞瘤中的组织特异性剪接调控[1]。小基因仅包含外显子2–5及有限的侧翼内含子序列，因此三种代表整个内含子保留的低丰度异常转录本（<5%）无法被可靠评估，而五个位于小基因边界附近的变异则未进行功能评估[1]。作者遵循BRCA1/2专家建议，对功能性剪接检测采用了保守的最大证据权重“强”，且仅有约50%的变异达到了联合强度聚合的保守阈值[1]。一个框内异构体（r.370_423del, p.Val124_Pro141del）在八个变异中丰度升高至10%以上，但由于其蛋白质水平的影响尚未明确，无法获得基于RNA的ACMG编码[1]。SMN1/SMN2中的超级小基因研究表明，纳入天然启动子、全部外显子、完整内含子和UTR可以捕获截短构建体所遗漏的转录和剪接调控，这进一步说明SDHB外显子2–5小基因是一种靶向检测而非完整基因模型[6]。最后，将12个VUS降级为可能良性的临床可操作性取决于这些变异是否随后在受累家系中被观察到，而该研究的肿瘤比较仅限于n = 2[1]。
关于这些来源
本研究页面基于10项同行评审研究——发表于2018年至2026年间，其中5项发表于2024年或之后，1项发表于Q1期刊，合计被引用217次——这些研究是从通过质量筛选的13项研究中选出的最相关研究，而这些研究又从超过5亿篇文献的数据库中检索到的95篇论文中筛选而来。
本文引用的文献
基于小基因的琥珀酸脱氢酶B剪接相关变异的表征与分类
锚定SDHB小基因研究在HEK293T细胞中对48个经SpliceAI优先筛选的变异进行了功能表征，发现预测评分高的变异中有40%表现出≥90%的野生型剪接，并在将RNA证据纳入ACMG评分后对50%已分类变异进行了重新分类，其中大多数VUS被重新归类为可能良性[1]。
遗传性嗜铬细胞瘤/副神经节瘤综合征患儿的肿瘤监测更新。
这一基础性综述确认，遗传性嗜铬细胞瘤/副神经节瘤综合征需要根据基因型制定肿瘤监测方案，且SDHB相关疾病可能具有侵袭性，因此准确的变异分类具有重要临床意义[2]。
通过小基因试验鉴定BRCA2外显子16中的八个剪接致病变异
这项BRCA2外显子16小基因前体研究对12个可能影响剪接的变异进行了功能检测，发现其中8个改变了剪接，并证明荧光毛细管电泳能够检测到琼脂糖凝胶所遗漏的微量转录本，从而确立了小基因作为临床变异分类可靠工具的地位[3]。
Transformer显著改进了剪接位点预测
这项竞争性计算研究报告称，一个使用45,000个核苷酸上下文的基于Transformer的模型在剪接位点检测和致病性剪接变异分类方面优于SpliceAI-10k，但其增益是在注释和RNA-seq数据上进行基准测试的，而非SDHB功能性重分类[4]。
paRDal：用于遗传性癌症诊断中并行RNA和DNA NGS分析的生物信息学框架
该验证框架将匹配的DNA与RNA NGS整合用于遗传性肿瘤诊断，支持ACMG/AMP框架下的PVS1(RNA)，并表明患者RNA解读仍受无义介导的衰变、杂合性缺失及异常转录本低表达的限制[5]。
一个带有短启动子和截短内含子的超级小基因重现了<i>SMN1</i>和<i>SMN2</i>基因转录和剪接调控的基本特征
这项局限性研究表明，带有自身启动子、全部外显子、完整内含子及3′-UTR的SMN2超级小基因，比截短型构建体更能重现转录和剪接调控，这表明SDHB外显子2–5小基因无法捕捉全部天然调控背景[6]。
使用功能性剪接试验对深度学习剪接预测工具进行基准测试
这项针对十种剪接预测工具在ABCA4和MYBPC3功能数据集上的竞争性基准测试发现，表现最佳的工具因变异类别而异，且真实世界的临床性能比开发者报告的准确率更为有限[8]。
CI-SpliceAI——利用精选的可变剪接位点改进机器学习对致病剪接变异的预测
这项竞争性研究在经人工整理的GENCODE剪接位点上重新训练了SpliceAI，并报告称在1,316个经功能验证的变异上相较于原始SpliceAI有适度的准确性提升，但未测试SDHB变异[9]。
Splam：一种基于深度学习的剪接位点预测器，可改善剪接比对
这项与之竞争的深度学习研究报告称，Splam——一种使用400 bp窗口和配对供体-受体训练的残差卷积网络——在预测人类剪接位点方面比SpliceAI更准确，并提高了剪接比对准确性[10]。
免疫组化检测SDHB在遗传性嗜铬细胞瘤-副神经节瘤筛查中的效能
这项基础免疫组织化学研究表明，SDHB阴性染色能够可靠预测嗜铬细胞瘤/副神经节瘤中的SDHx突变，但弱阳性染色则需要额外的基因检测，从而留下了一个诊断缺口，而功能性剪接检测可能有助于弥补这一缺口[12]。