ACMG/AMP 变异分类框架

前置知识

• VCF/BCF 格式
• DNA-seq 变异检测总览
• 变异注释与优先级排序

快速概览

ACMG/AMP 框架为临床变异解释提供了一套标准化的证据整合规则。其核心在于将不同来源的证据（群体频率、功能预测、家系分离、文献报道等）标准化为具有明确强度的条目，通过组合规则整合为 Pathogenic / Likely pathogenic / VUS / Likely benign / Benign 五级分类。

• 证据标准化与可追溯性是框架的核心：每类证据有明确的判定标准和强度等级
• 致病证据（PVS/PS/PM/PP）与良性证据（BS/BM/BP）需同时权衡，而非简单抵消
• 组合规则而非机械打分：特定证据组合对应特定分类，边界情况仍需专业判断

所属板块 分析方向与案例

把基础对象与算法方法重新放回真实分析任务与工作流。

阅读目标 帮助建立阅读上下文

先判断这页与你当前问题的关系，再决定是否深入展开。

建议前置 先建立相关基础对象与方法直觉

建议先建立相关基础对象与方法直觉，再进入本页。

变异解释的核心流程

ACMG 框架的实施通常遵循以下三个关键阶段：

1

输入阶段

证据收集与标准化

查询 gnomAD 获取频率，使用 SIFT/CADD 进行功能预测，检索 ClinVar 和文献获取已报道信息。

确保参考基因组版本（hg19/hg38）与注释数据库一致。

2

计算阶段

强度评定与组合规则应用

根据条目定义判定证据强度（PVS/PS/PM/PP 等），并根据组合规则（如 1 PVS + 1 PS）计算初步分类。

注意处理正反证据冲突。

3

输出阶段

临床审核与报告

结合患者具体表型和家系情况进行最终审核，撰写带有证据链条的临床报告。

VUS 分类需要特别说明后续验证建议。

问题背景

在临床基因检测实践中，一个核心挑战是：面对一个候选变异，如何系统性地整合多维证据，给出可靠且可解释的致病性分类？ 不同实验室、不同分析人员对同一变异的解释可能存在显著差异，这直接影响临床决策的一致性和患者管理的质量。

ACMG/AMP 变异解释框架由美国医学遗传学与基因组学学会（ACMG）和分子病理学协会（AMP）于 2015 年提出，旨在解决这一问题。该框架的核心贡献在于：

• 证据标准化：将异质性的证据来源（数据库查询、预测工具、文献检索、家系分析）转化为统一的术语体系；
• 强度分级：为每类证据定义明确的强度等级（极强、强、中等、支持性）；
• 组合规则：提供从证据到分类的明确映射规则，减少主观随意性；
• 可追溯性：每个分类都有明确的证据基础和推理链条，便于审查和复现。

五级分类体系

分类	英文	临床含义	决策权重
致病	Pathogenic (P)	变异极有可能导致疾病	可用于临床诊断和遗传咨询
可能致病	Likely Pathogenic (LP)	变异有较高概率致病，但证据略不充分	通常按致病处理，但需关注不确定性
意义不明	VUS (Variant of Uncertain Significance)	当前证据不足以明确分类	不应作为临床决策的唯一依据
可能良性	Likely Benign (LB)	变异有较高概率良性	通常排除致病性考虑
良性	Benign (B)	极不可能致病	明确排除

框架的重要性与局限

为什么 ACMG 框架至关重要

在缺乏标准化框架时，临床变异解释面临以下问题：

• 实验室间差异：同一变异在不同机构可能得到不同分类，导致临床决策混乱；
• 患者管理风险：过度诊断导致不必要的干预，漏诊延误治疗时机；
• 遗传咨询困境：无法向患者提供清晰、一致的风险信息；
• 研究可比性差：不同研究的变异分类标准不一，结果难以整合。

ACMG 框架通过证据标准化和分类规则化，显著提升了变异解释的一致性、可追溯性和临床可用性。

框架的边界与专业判断的必要性

需要强调的是，ACMG 并非完全机械的自动化规则：

• 证据冲突处理：当强致病证据与强良性证据并存时，需要专业判断权衡；
• 基因特异性调整：某些证据（如 PVS1）的应用需考虑基因特异性的疾病机制；
• 证据动态更新：随着数据库和文献更新，分类可能发生变化（VUS 重分类为 P/LP 或 B/LB）。

因此，ACMG 框架是标准化流程与专业判断的结合，而非替代专家决策的自动分类器。

任务目标

使用 ACMG 框架通常要回答：

• 这个变异在当前患者背景下更可能是致病还是良性？
• 支持这一判断的证据有哪些？强度如何？
• 正反证据如何权衡？
• 是否需要补充实验或文献检索来降低不确定性？

输入输出

输入

• 变异的基本信息（染色体位置、参考/变异等位基因、变异类型）；
• 群体频率数据（如 gnomAD）；
• 功能实验结果（如有）；
• 家系共分离数据（如有）；
• 已发表的病例报告；
• 计算预测工具结果（如 SIFT、PolyPhen、CADD）；
• 基因的疾病机制和变异类型预期。

输出

• 最终临床分类（Pathogenic / Likely pathogenic / VUS / Likely benign / Benign）；
• 支持该分类的证据列表及强度；
• 证据整合的推理过程；
• 是否需要进一步验证的建议。

核心证据体系

证据分类

ACMG 框架将证据分为两大类：致病证据（Pathogenic criteria, P）和良性证据（Benign criteria, B）。每类内部又按强度分为：

• Very strong（PVS / BS）：极强证据
• Strong（PS / BS）：强证据
• Moderate（PM / BM）：中等证据
• Supporting（PP / BP）：支持性证据

常见致病证据类型

PVS1（极强）

无效变异（nonsense、frameshift、canonical splice site）出现在已知机制为 loss-of-function 的基因中，且该基因的 loss-of-function 已被证实导致疾病。

PS1（强）

同一氨基酸改变已被报道为致病变异，但使用不同的核苷酸改变。

PS2（强）

de novo 变异，且亲缘关系已确认。

PM2（中等）

在正常人群数据库中缺失或极低频。

PP3（支持性）

多个计算预测工具一致预测为有害。

常见良性证据类型

BA1（极强）

在正常人群数据库中频率过高（如 > 5%），与该疾病的致病机制不兼容。

BS1（强）

频率高于疾病预期发病率。

BS2（强）

在健康成年对照中观察到（对于晚发性疾病需谨慎）。

BP4（支持性）

多个计算预测工具一致预测为良性。

为什么选择这些证据类型

ACMG 的证据体系不是随意列举的，每类证据都有其生物学或临床合理性：

证据选择的生物学逻辑

• PVS1（极强）：基于基因疾病机制。如果某个基因已知通过 loss-of-function 致病，那么导致功能完全丧失的变异（nonsense、frameshift）理论上必然致病。这是”机制层面的确定性”，因此权重最高。

• PS1（强）：基于氨基酸改变的功能等价性。同一个氨基酸改变，无论通过哪种核苷酸变化实现，其对蛋白功能的影响应该相同。这是”功能层面的等价性”。

• PS2（强）：基于遗传模式。de novo 变异在常染色体显性遗传病中是强致病证据，因为健康父母不太可能携带同样的致病变异却不发病。

• PM2（中等）：基于群体遗传学。罕见变异更可能是致病性的，但”罕见 ≠ 致病”，所以权重中等。它是一个必要条件而非充分条件。

• PP3（支持性）：基于计算预测。in silico 工具只是基于序列保守性和结构特征的统计预测，存在假阳性，因此只能作为辅助证据。

证据强度的层次设计

ACMG 将证据分为四个强度等级，这反映了证据的”确定性和不可反驳性”：

• 极强（PVS/BS）：几乎不可能被反驳（如完全破坏蛋白功能的变异）
• 强（PS/BS）：在大多数情况下可靠，但可能有例外
• 中等（PM/BM）：提供有价值的线索，但需要其他证据支持
• 支持性（PP/BP）：辅助证据，不能单独支持结论

这种分层设计的核心思想是：证据强度反映的是”该证据出错的可能性有多大”，而不是简单的”重要性”。

为什么 ACMG 不是简单打分表

如果 ACMG 是简单的打分表（如 PVS=4分、PS=3分、PM=2分、PP=1分，然后求和），会带来几个问题：

1. 证据不可替代性：某些证据类型之间不能简单替换。例如，PVS1（机制层面的确定性）不能被多个 PP3（计算预测）替代，因为它们反映的是不同层面的证据。

2. 证据冲突处理：当强致病证据和强良性证据同时存在时，简单打分会互相抵消，但实际情况可能需要专业判断（如良性证据是否真的可靠）。

3. 边界情况的灵活性：某些基因的机制不明确，或者家系数据不完整，需要根据具体情况调整证据权重。

4. 临床风险权衡：在医疗决策中，“宁可信其有”和”宁可信其无”的风险不对称，需要规则而非简单打分。

因此，ACMG 采用规则组合而非数值打分：定义明确的组合模式（如 PVS1 + PS1 = Pathogenic），这既保证了标准化，又保留了必要的灵活性。

证据整合规则

ACMG 提供了一套组合规则，例如：

• 1 个极强致病证据（PVS1）+ 1 个强致病证据（PS） → Pathogenic
• 2 个强致病证据（PS） → Pathogenic
• 1 个强致病证据（PS）+ 2 个中等致病证据（PM） → Pathogenic
• 1 个强致病证据（PS）+ 1 个中等致病证据（PM）+ 2 个支持性致病证据（PP） → Pathogenic

Likely pathogenic、VUS、Likely benign 和 Benign 也有各自的组合阈值。

关键点：

• 正反证据需要同时考虑，不能只看致病证据；
• 如果良性证据足够强，可以抵消致病证据；
• VUS 往往出现在证据不足或正反证据相互冲突时。

示例

场景一：清晰的致病证据

假设在一个常染色体显性遗传病的基因中发现一个 de novo 的 frameshift 变异：

证据收集：

1. PVS1：该基因已知是 loss-of-function 机制，frameshift 符合预期 → 极强致病证据
2. PS2：de novo 变异，亲缘关系已确认 → 强致病证据
3. PM2：在 gnomAD 中缺失 → 中等致病证据
4. PP3：多个预测工具一致预测有害 → 支持性致病证据

决策过程：

• 正面证据：PVS1（极强）+ PS2（强）+ PM2（中）+ PP3（支持）
• 负面证据：无显著良性证据
• 根据组合规则：PVS1 + PS2 → Pathogenic

结论：Pathogenic

---

场景二：证据冲突时的判断

同一基因在 gnomAD 中频率为 0.1%，且该疾病的预期发病率为 1/10,000（0.01%）。

重新评估证据：

1. PVS1：frameshift，loss-of-function 机制 → 极强致病证据
2. PS2：de novo 变异 → 强致病证据
3. PM2：在 gnomAD 中频率极低（0.1%）→ 中等致病证据
4. BS1：频率（0.1%）高于疾病预期（0.01%）→ 强良性证据

决策过程：

• 正面证据：PVS1（极强）+ PS2（强）+ PM2（中）
• 负面证据：BS1（强）
• 冲突点：PVS1/PS2 表明致病性强，但 BS1 表明群体频率过高

判断依据：

• de novo 变异在显性遗传病中是非常强的致病证据
• 0.1% 的频率虽然高于发病率，但 de novo 变异本身不会在群体中累积
• 群体频率可能来自未确诊的携带者或测序错误

最终分类：Pathogenic（但需要在报告中注明频率异常，建议进一步验证）

证据冲突时的判断逻辑

当强致病证据与强良性证据并存时，不应简单抵消，而应采用以下决策逻辑：

场景	推荐选择	原因
de novo 变异但人群频率略高	优先考虑致病性	新发突变在显性疾病中权重极高，人群频率可能受限于测序质量或未确诊携带者。
预测有害但功能实验显示无影响	优先考虑良性/VUS	功能实验（PS3/BS3）的证据等级通常高于计算预测（PP3/BP4）。
LoF 变异但位于基因末端	谨慎应用 PVS1	若变异不引起 NMD 降解或不影响关键结构域，PVS1 强度应下调。

---

场景三：证据不足导致 VUS

假设发现一个 missense 变异：

证据收集：

1. PM2：在 gnomAD 中频率 0.001% → 中等致病证据
2. PP3：SIFT、PolyPhen、CADD 一致预测有害 → 支持性致病证据
3. BP4：REVEL、MVP 等其他工具预测良性 → 支持性良性证据
4. 无家系数据：无法验证共分离
5. 无功能实验：无实验数据支持

决策过程：

• 正面证据：PM2（中）+ PP3（支持）
• 负面证据：BP4（支持）
• 计算预测工具冲突：PP3 vs BP4 相互抵消
• 剩余证据：仅 PM2（中）

判断依据：

• 只有中等强度的致病证据，不足以支持 Likely pathogenic
• 计算预测工具结果不一致，无法提供可靠支持
• 缺乏家系或功能实验等强证据

最终分类：VUS（Variant of Uncertain Significance）

后续建议：

• 收集家系数据验证共分离
• 检索文献看是否有功能实验报道
• 如果患者表型典型，可以谨慎考虑，但不应作为临床决策的唯一依据

---

场景四：同一变异在不同基因中的不同解释

基因 A（已知 loss-of-function 致病）：

• 变异：nonsense
• 证据：PVS1（极强）+ PM2（中）+ PP3（支持）
• 分类：Pathogenic

基因 B（已知 gain-of-function 致病）：

• 变异：nonsense（同一类型的变异）
• 证据：PM2（中）+ PP3（支持）
• 分类：Likely benign 或 VUS

关键差异：

• 基因 A 的致病机制是 loss-of-function，nonsense 符合预期 → PVS1 适用
• 基因 B 的致病机制是 gain-of-function，nonsense 可能导致功能丧失 → 不适用 PVS1，甚至可能是良性

教训：变异分类必须结合基因特异性的疾病机制，不能只看变异类型。

与真实变异解释流程的连接

ACMG 框架是变异解释的核心逻辑，但实际工作中还需要：

• 变异注释：先从 VCF 中提取变异信息，查询数据库；
• 证据收集：系统性地检索文献、数据库、功能实验结果；
• 家系分析：验证共分离模式；
• 临床相关性：结合患者表型、家族史和基因-疾病关联强度；
• 报告撰写：清晰呈现证据和推理过程。

因此，ACMG 框架是连接”原始变异数据”和”临床报告”的关键桥梁。

常见误区

• ACMG 是完全机械打分，不需要判断：
• 不对。ACMG 提供的是规则框架，但很多边界情况（如证据冲突、家系不完整、基因机制不明确）仍需要专业判断。
• VUS 就等于没意义，可以直接忽略：
• 不对。VUS 表示当前证据不足以明确分类，但它可能随着新证据出现而重新分类。在遗传咨询中需要谨慎解释，而不是简单排除。
• Likely pathogenic 就等于百分之百确定：
• 不对。"Likely" 本身就表示有不确定性边界，临床决策时需要结合其他证据和患者具体情况。

参考资料

• Richards et al., Standards and guidelines for the interpretation of sequence variants (Genetics in Medicine, 2015)
• ClinGen Sequence Variant Interpretation Working Group

相关页面

• 变异注释与优先级排序
• CNV 与 SV 解释
• 变异检测概览