《Frontiers in Neurology》：Toward precision medicine in SCN3A variants-associated encephalopathies and epilepsy: optimizing genetic diagnosis and molecular subregional effects
编辑推荐：
本研究系统评估了19种算法对SCN3A基因错义变异致病性的预测效能，发现整合结构信息的深度学习工具AlphaMissense表现最优（AUC>0.96）。研究首次揭示致病变异显著富集于跨膜区（p<0.0001），并提出基因特异性阈值可显著提升多种工具的诊断性能，为发育性癫痫性脑病（DEE）的精准诊疗提供了新范式。
1 引言
发育性癫痫性脑病（DEE）是一组以早发性耐药性癫痫发作、皮质发育畸形和严重神经发育障碍为特征的严重神经发育疾病。近年来高通量基因组测序加速了DEE单基因病因的发现，其中电压门控离子通道基因尤为突出。SCN3A基因编码钠电压门控通道α亚基3（Nav1.3），该蛋白主要在胚胎期大脑表达，对动作电位产生和网络成熟至关重要。随着SCN3A致病性变异相关疾病谱系的扩展（如家族性局灶性癫痫FFEVF4、癫痫性脑病DEE62等），临床对快速区分错义变异致病性的需求日益迫切。然而现有算法多采用全基因组默认阈值，其针对SCN3A的特异性性能尚缺乏系统评估。
2 材料与方法
研究通过两位独立癫痫遗传学家系统收集了20个致病性变异（涉及37例患者）和45个良性/可能良性SCN3A错义变异，构建高质量数据集。通过结构域注释分析变异分布的分子亚区效应，并采用受试者工作特征曲线（ROC）和混淆矩阵指标（准确度、敏感性、特异性、马修斯相关系数MCC）系统评估19种常用算法的诊断性能。统计分析方法包括Shapiro-Wilk正态性检验、Wilcoxon秩和检验及DeLong法计算AUC置信区间。
3 结果
3.1 分子亚区效应分析
致病性SCN3A变异显著富集于跨膜区（p<0.0001），而良性变异多分布于非跨膜区。尽管跨膜区定位与致病性显著相关，但未发现其与癫痫发作或多小脑回畸形等表型存在特异性关联，提示结构注释对致病性预测有指示价值，但对临床亚型区分能力有限。
3.2 算法性能评估
在默认阈值下，基于深度学习的AlphaMissense表现最优（平衡准确度90.6%，MCC=0.791），其敏感性（0.90）与特异性（0.91）均衡；PrimateAI紧随其后（平衡准确度89.4%）。元预测器BayesDel_addAF和ClinPred虽敏感性达1.0，但特异性较低（0.80/0.78），存在过度调用致病性倾向。传统工具中SIFT4G表现良好（平衡准确度88.06%），而M-CAP性能最差（平衡准确度59.3%）。
3.3 差异分析与ROC曲线
所有算法在致病与良性变异间的评分差异均极显著（p<0.0001）。ROC分析显示MetaRNN、BayesDel_addAF、ClinPred和AlphaMissense的AUC均超0.96（最高达0.982）。通过约登指数确定基因特异性最优阈值后，多数算法性能提升显著：AlphaMissense在阈值0.699时MCC升至0.822，BayesDel_addAF在阈值0.401时特异性达0.978。M-CAP等工具经阈值优化后性能改善尤为突出。
4 讨论
本研究首次建立SCN3A错义变异致病性预测的系统性基准。结果表明进化保守性和群体频率是核心预测指标，而结构信息可进一步提升性能。基因特异性阈值的优化使多种算法实现诊断效能的跨越式提升，证实了垂直基因层面校准的重要性。跨膜区变异富集现象提示结构约束可作为致病性预测的关键特征。未来需在更大样本中验证本研究的阈值体系，并探索将临床协变量整合至预测模型以增强临床实用性。
