执行标准

某些蛋白结构域对蛋白质的功能起到了关键作用, 如果在这些结构域上发现的所有错义突变均已被证实为致病突变, 且这些结构域中一定没有已知的良性突变, 那么这就能作为致病的中等证据. 此外, 基因中某些功能尚未确定的区域已被证实存在许多突变热点, 若突变发生在基因突变热点上, 且一个或多个邻近残基中存在较高频率的已知致病突变,那么这也能作为致病的中等证据.

按照最新文献报道（PMID: 38645134）使用MPC（错义有害性度量），评价PM1证据项适用性（通过查看gnomAD（gnomAD v2.1.1）中的MCR missense OE参数，当OE≤0.2112时可以使用PM1，当0.2112<OE ≤0.3747时可以使用PM1_Supporting）。

相关基因的oe值可以在 GnomAD 网页获取（注意使用 Regional missense constraint 中提供的每个基因分段的OE值，而非基因水平的oe值）。

具体证据项强度阈值如下：
alt text

数据获取

下载文件处理

其中OE值可以直接从gnomAD中获取：

1
2

gnomad.v2.1.1.lof_metrics.by_gene.txt.bgz 有全部基因的 z-score 值，和对应基因水平的 mis_oe 值（如果分段数据中没有记录的话，直接使用基因水平oe值）。
gnomAD_v2.1.1_transcripts_with_rmc.tsv 文件含有每个基因分区域后的oe值，但是对应的基因没有提供z-score信息，如果某个基因没有分区，不会提供完整基因的oe值，需要从 without_rmc 文件中获取全基因的oe值。

获得上述文件后，通过脚本

api遍历

由于上述信息不全，经过查询，gnomAD本身提供了API查询接口，可以用于信息的获取。
以下为一个python示例

# This example uses the GQL GraphQL client library.
#
# To install: pip3 install gql
#
# GQL is one popular Python GraphQL client, but there are others.
# See https://graphql.org/community/tools-and-libraries/?tags=python_client

from gql import gql, Client
from gql.transport.aiohttp import AIOHTTPTransport

def gnomAD_zscore_oe(gene,reference_genome="GRCh37"):
    transport = AIOHTTPTransport(url="https://gnomad.broadinstitute.org/api")
    client = Client(transport=transport, fetch_schema_from_transport=True)

    # For brevity, and to keep the focus on the Python code, we don't include every
    # field from the raw query here.
    query_seq = (
        f"""
    {{
        gene(gene_symbol: "{gene}", reference_genome: GRCh37) {{
            gene_id
            symbol
            ncbi_id
            chrom
    		start
    		stop
            gnomad_constraint {{
                oe_mis
                oe_mis_lower
                oe_mis_upper
                mis_z
            }}
            gnomad_v2_regional_missense_constraint {{
                regions {{
                    chrom
                    start
                    stop
                    obs_exp
                }}
            }}
        }}
    }}
    """
    )
    query = gql(query_seq)
    # Execute the query on the transport
    return client.execute(query)

query_result = (gnomAD_zscore_oe("HERC2"))

query_result["gene"]["ncbi_id"] #8924 获取基因的id
query_result["gene"]["gnomad_constraint"]["oe_mis"] #0.9466031983859604 获取基因的oe值
query_result["gene"]["gnomad_constraint"]["mis_z"]  #0.5821512027320781 获取基因的z-score
query_result["gene"]["gnomad_v2_regional_missense_constraint"]["regions"] #8924 获取基因的id


print(gnomAD_data)

## 解析返回数据生成类bed格式的datafram
def parse_info2dataframe(gnomdb_info):
    df_out=pd.DataFrame(columns=["chrom", "start", "stop","ncbi_id","symbol","obs_exp","z-score"])
    gene_ncbi_id = gnomdb_info["gene"]["ncbi_id"]
    gene_symbol = gnomdb_info["gene"]["symbol"]
    z_score = gnomdb_info["gene"]["gnomad_constraint"]["mis_z"]
    regions = gnomdb_info["gene"]["gnomad_v2_regional_missense_constraint"]["regions"]
    if len(regions) > 0:
        for region in regions:
            df_out.loc[len(df_out)+1] = [region["chrom"],region["start"],region["stop"],gene_ncbi_id,gene_symbol,region["obs_exp"],z_score]
    else:
        df_out.loc[len(df_out)+1] = [gnomdb_info["gene"]["chrom"],gnomdb_info["gene"]["start"],gnomdb_info["gene"]["stop"],gene_ncbi_id,gene_symbol, gnomdb_info["gene"]["gnomad_constraint"]["oe_mis"],z_score]
    return df_out

会得到gnomAD的数据，其中包含我们在query中所列出的相关信息基因的z-score、oe值、oe值区间等。BRCA1 和 HERC2 的查询示例结果如下：

// BRCA1 
{'gene': {'gene_id': 'ENSG00000012048', 
          'symbol': 'BRCA1',
          'ncbi_id': '672',
          'chrom': '17', 
          'start': 41196312,
          'stop': 41277500
          'gnomad_constraint': {'oe_mis': 0.9466031983859604, 
                                'oe_mis_lower': 0.895, 
                                'oe_mis_upper': 1, 
                                'mis_z': 0.5821512027320781
        },'gnomad_v2_regional_missense_constraint': {'regions': []}}}

// HERC2
{'gene': {'gene_id': 'ENSG00000128731',
          'symbol': 'HERC2',
          'ncbi_id': '8924',
          'chrom': '15',
          'start': 28356186,
          'stop': 28567298
          'gnomad_constraint': {'oe_mis': 0.7629974287956002, 
                                'oe_mis_lower': 0.735, 
                                'oe_mis_upper': 0.791, 
                                'mis_z': 4.423675453049803
        },'gnomad_v2_regional_missense_constraint': {'regions': [
            {'chrom': '15', 'start': 28356912, 'stop': 28361934, 'obs_exp': 0.6411651984433206}, 
            {'chrom': '15', 'start': 28361935, 'stop': 28362185, 'obs_exp': 0},
            {'chrom': '15', 'start': 28362186, 'stop': 28397963, 'obs_exp': 0.5991045884304614}, 
            {'chrom': '15', 'start': 28397964, 'stop': 28414784, 'obs_exp': 0.965845689035514}, 
            {'chrom': '15', 'start': 28414785, 'stop': 28424152, 'obs_exp': 0.36527103011859574}, 
            {'chrom': '15', 'start': 28424153, 'stop': 28441647, 'obs_exp': 0.650862288680692}, 
            {'chrom': '15', 'start': 28441648, 'stop': 28479373, 'obs_exp': 1.028254211028902}, 
            {'chrom': '15', 'start': 28479374, 'stop': 28493711, 'obs_exp': 0.6391324339997898}, 
            {'chrom': '15', 'start': 28493712, 'stop': 28502338, 'obs_exp': 0.9025883099911312}, 
            {'chrom': '15', 'start': 28502339, 'stop': 28514578, 'obs_exp': 0.5778393805973672}, 
            {'chrom': '15', 'start': 28514579, 'stop': 28566579, 'obs_exp': 0.9959412526339723}
            ]}}}

oe值的计算：参考文章:The landscape of regional missense mutational intolerance quantified from 125,748 exomes