Исследовательская вертикаль · health-AI
EgorGenom
Health-AI исследовательская вертикаль — геномика редких болезней. Это исследование, удерживаемое на уровне клинических стандартов, — а не коммерческий продукт.
Что это
EgorGenom — повторный полногеномный (WGS) анализ, который ведёт родитель для ребёнка с подозрением на генетическое заболевание, параллельно с клинической командой. По сути это домашняя лаборатория биоинформатики, собранная по тому же стандарту, что используют клинические геномные службы, — чтобы дать одному ребёнку ту глубину разбора, которую высокопоточный конвейер редко может позволить отдельному случаю.
Стек
Это не любительская сборка — это индустриальный, open-source геномный тулчейн, который запускают клинические лаборатории и национальные центры секвенирования, собранный от и до и зафиксированный для воспроизводимости.
| Слой | Инструменты |
|---|---|
| Оркестрация | nf-core/sarek 3.5.1 и nf-core/raredisease (Nextflow) — два независимых пайплайна для кросс-валидации. |
| Выравнивание | BWA-MEM2 (независимое перевыравнивание из сырых FASTQ; ~18 ГБ CRAM). |
| Вызов SNV / indel | DeepVariant, GATK4 HaplotypeCaller, Strelka2, bcftools — консенсус нескольких callers, а не один. |
| Структурные / CNV | Manta, CNVkit, скрин CNV по глубине покрытия. |
| Повторы (STR) | ExpansionHunter + REViewer. |
| Псевдогены / паралоги | Gauchian (GBA1), Paraphase — области, которые стандартные пайплайны молча пропускают. |
| Фармакогеномика · мтДНК | PharmCAT; отдельный анализ митохондриальной ДНК. |
| Аннотация и патогенность | VEP 112 с ClinVar, SpliceAI, CADD, REVEL, AlphaMissense, LOFTEE; частоты в популяции gnomAD v4.1. |
| Триаж | 4-уровневый клинический триаж с автоматизированной поддержкой ACMG-критериев. |
| Синтез доказательств | Живые PubMed / ClinVar / OMIM, bioRxiv, Consensus, ClinicalTrials, ChEMBL (через слой Bio-Research MCP). |
| Инфраструктура | WSL2 Ubuntu 24.04, Docker (контейнеры зафиксированы по digest), метаданные в SQLite. ~500 ГБ диска, 32 ГБ RAM, опционально GPU RTX 3070 для DeepVariant. |
| Воспроизводимость | Сквозной runbook (FASTQ → клинический отчёт), SHA256-манифесты данных, провенанс FASTQ и пререгистрированные неизменяемые числовые пороги. |
Объём и глубина работ
Анализ шёл фазами: аудит литературы и слепая панель из шести экспертов (клинический генетик, биоинформатик, детский невролог, профильный по заболеванию и статистический генетик); целевой мульти-caller консенсус; полный перевызов WGS из сырых прочтений (~21,5 ч вычислений); проход закрытия пробелов по псевдогенам, повторам и CNV; и пакет клинической передачи —82 документа, ~109 000 слов, двуязычно (EN + RU), с методами, биомаркерными деревьями решений и поэтапными рекомендациями, написанными для лечащих врачей.
Главный результат: семь независимых комбинаций caller × пайплайн сошлись по каждому кандидату — слой вызова, по выражению самого проекта, «пуленепробиваем».
Почему домашняя лаборатория может копать глубже
Государственная диагностическая служба обрабатывает много пациентов в потоковом конвейере и даёт каждому случаю ограниченное число проходов. Анализ, который ведёт родитель, не на этих часах — он может потратить гораздо больше итераций на одного ребёнка: перевызвать геном из сырых прочтений, закрыть пробелы, которые стандартный пайплайн пропускает (псевдогены, повторы, вариации числа копий), и заново провести триаж каждого кандидата против самых свежих версий баз данных. Больше callers, больше проходов, больше тщательности — для одного пациента.
Чему это эквивалентно по стоимости
Софт бесплатен и open-source; что стоит сопоставимая работа в другом месте — это время экспертов. Клинический повторный WGS-анализ и интерпретация такой глубины — независимый перевызов, разрешение псевдогенов, мульти-базовый триаж, ACMG-курация и письменная клиническая передача — это тот объём, который диагностическая лаборатория или биоинформатическая консалтинговая компания обычно оценивает втысячи–десятки тысяч долларов за случай, поверх самого секвенирования. Вычисления скромные (одна рабочая станция или несколько сотен долларов облака на геном); ценность — в глубине и числе проходов. (Цифры — оценка порядка величины, только для контекста.)
Найти поломку — лишь половина работы
По всем семи комбинациям caller × пайплайн слой вызова был единогласен — одни и те же кандидаты находились каждый раз. Все значимые расхождения с исходным анализом были наслое интерпретации: механизм болезни, насколько ген подходит фенотипу ребёнка и как взвешивать литературу и клинические базы. Именно поэтому работа ведётся вместе с клинической командой, а не вместо неё. Подтверждённый вариант — это отправная точка; превращение его в диагноз — клиническое суждение, принимаемое совместно с лечащими врачами.
Почему репозиторий приватный
Репозиторий приватный из соображений клинической чувствительности — он содержит идентифицируемые данные пациента. План обезличивания регулирует любую будущую публикацию обобщённого пайплайна и методологии, при этом сырые данные депонируются только в архивы с контролируемым доступом. Приватность пациента для нас — жёсткое ограничение, а не предпочтение.
Где здесь Google Cloud (планируется)
Эта вертикаль — место, где мы рассчитываем масштабироваться на Google Cloud дальше. Это явно про будущее, а не про продакшен сегодня:
- Vertex AI — модели скоринга фенотип→ген.
- BigQuery — запросы к датасетам частот в популяции (gnomAD) в масштабе.
- Cloud Storage — обезличенные геномные данные и архивы длинных прочтений.
- Document AI — разбор клинических отчётов и лабораторных PDF.