Skip to main content

Vom Symptom zum Syndrom mit moderner Softwareunterstützung

From symptom to syndrome using modern software support

Der Internist volume 59, pages 766–775 (2018)Cite this article

Zusammenfassung

Die Diagnose seltener Erkrankungen kann für Kliniker eine Herausforderung darstellen. Dieser Beitrag gibt einen Überblick über neue Ansätze, die vorrangig von den Symptomen der Patienten ausgehend automatisierte Analysen der Differenzialdiagnosen für seltene Erkrankungen, aber auch der genomischen Informationen von Betroffenen erlauben. Ein Fokus sind hierbei verlässliche Methoden zur Erfassung klinischer Phänotypen und neue Methoden für präzise und robuste Berechnungen der Ähnlichkeit zwischen phänotypischen Profilen. Das Human-Phenotype-Ontology(HPO)-Projekt stellt eine Ontologie zur Erfassung von Symptomen oder phänotypischen Auffälligkeiten bereit. Durch die Verwendung von Ontologien wird es möglich, diese Daten präzise und umfassend zu erfassen sowie verlässlich und automatisiert zu analysieren. Werkzeuge wie der Phenomizer ermöglichen mathematische Ähnlichkeitsberechnungen zwischen Patienten und Syndromen auf Basis der HPO-basierten phänotypischen Beschreibungen. Solche digitalen Werkzeuge bilden eine robuste Grundlage für differenzialdiagnostische Anwendungen. Viele seltene Erkrankungen haben eine starke genetische Komponente. Die Analyse der codierenden DNA-Varianten eines Patienten ist eine enorm komplexe Prozedur, die eine erfolgreiche molekulare Diagnostik verzögern kann. Hierbei kann eine kombinierte Analyse der HPO-codierten phänotypischen Merkmale und genomischen Eigenschaften der Varianten erheblich helfen. Auch in diesem Fall sind die HPO und die damit verbundenen Algorithmen hilfreich – sie ist somit ein wichtiges Werkzeug für translationale Medizin und die Priorisierungen von krankheitsrelevanten genomischen Variationen.

Abstract

Diagnosing rare diseases can be challenging for clinicians. This article gives an overview on novel approaches, which enable automated phenotype-driven analyses of differential diagnoses for rare diseases as well as genomic variation data of affected individuals. The focus lies on reliable methods for collating clinical phenotypic data and new algorithms for precise and robust assessment of the similarity between phenotypic profiles. The Human Phenotype Ontology project (HPO; www.human-phenotype-ontology.org) provides an ontology for collating symptoms and clinical phenotypic abnormalities. Using ontologies makes it possible to capture these data in a precise and comprehensive fashion as well as to apply reliable and robust automated analyses. Tools, such as the Phenomizer, enable the algorithmic calculation of similarity values amongst patients or between patients and disease descriptions. Such digital tools represent a solid foundation for differential diagnostic applications. Many rare diseases have a strong genetic component but the analysis of the coding DNA variants in rare disease patients is an enormously complex procedure, which often impedes successful molecular diagnostics. In this situation a combined analysis of the patients HPO-coded phenotypic features and the genomic characteristics of the variants can be of substantial help. In this case the HPO project and the associated algorithms are helpful: it is therefore an important component for phenotype-driven translational research and prioritization of disease-relavant genomic variations.

This is a preview of subscription content, access via your institution.

Access options

Buy single article

Instant access to the full article PDF.

43,34 €

Price includes VAT (Finland)
Tax calculation will be finalised during checkout.

Abb. 1
Abb. 2
Abb. 3
Abb. 4

Literatur

  1. Auton, Auton A, Brooks LD et al (2015) A global reference for human genetic variation. Nature 526:68–74. https://doi.org/10.1038/nature15393 (1000 Genomes Project Consortium)

    Article  PubMed  CAS  Google Scholar 

  2. Amberger JS, Bocchini CA, Schiettecatte F et al (2015) OMIM.org: online mendelian inheritance in man (OMIM®), an online catalog of human genes and genetic disorders. Nucleic Acids Res 43:D789–D798. https://doi.org/10.1093/nar/gku1205

    Article  PubMed  CAS  Google Scholar 

  3. Bastarache L, Hughey JJ, Hebbring S et al (2018) Phenotype risk scores identify patients with unrecognized Mendelian disease patterns. Science 359:1233–1239. https://doi.org/10.1126/science.aal4043

    Article  PubMed  CAS  Google Scholar 

  4. Bragin E, Chatzimichali EA, Wright CF et al (2014) DECIPHER: database for the interpretation of phenotype-linked plausibly pathogenic sequence and copy-number variation. Nucleic Acids Res 42:D993–D1000. https://doi.org/10.1093/nar/gkt937

    Article  PubMed  CAS  Google Scholar 

  5. Buske OJ, Girdea M, Dumitriu S et al (2015) PhenomeCentral: a portal for phenotypic and genotypic matchmaking of patients with rare genetic diseases. Hum Mutat 36:931–940. https://doi.org/10.1002/humu.22851

    Article  PubMed  PubMed Central  Google Scholar 

  6. Cappellini MD (2010) Gaucher disease: a multiorgan rare disease in Internal Medicine. https://www.fesemi.org/sites/default/files/documentos/ponencias/xxxi-congreso-semi/Dra.%20Maria%20Domenica.pdf. Zugegriffen: 4. März 2018

    Google Scholar 

  7. Gainotti S, Torreri P, Wang CM et al (2018) The RD-connect registry & biobank finder: a tool for sharing aggregated data and metadata among rare disease researchers. Eur J Hum Genet. https://doi.org/10.1038/s41431-017-0085-z

    PubMed  PubMed Central  Article  Google Scholar 

  8. Groza T, Kohler S, Moldenhauer D et al (2015) The human phenotype ontology: semantic unification of common and rare disease. Am J Hum Genet 97:111–124. https://doi.org/10.1016/j.ajhg.2015.05.020

    Article  PubMed  PubMed Central  CAS  Google Scholar 

  9. Hesse W (2002) Ontologie(n). Inform Spektrum 25:477–480. https://doi.org/10.1007/s002870200265

    Article  Google Scholar 

  10. Köhler S (2018) Improved ontology-based similarity calculations using a study-wise annotation model. Database 2018:bay26–bay26. https://doi.org/10.1093/database/bay026

    Article  PubMed Central  Google Scholar 

  11. Köhler S, Doelken SC, Mungall CJ et al (2014) The Human Phenotype Ontology project: linking molecular biology and disease through phenotype data. Nucleic Acids Res 42:D966–74. https://doi.org/10.1093/nar/gkt1026

    Article  PubMed  CAS  Google Scholar 

  12. Köhler S, Robinson PN, Mungall CJ (2017) „Opposite-of“-information improves similarity calculations in phenotype ontologies. bioRxiv

    Google Scholar 

  13. Köhler S, Schulz MH, Krawitz P et al (2009) Clinical diagnostics in human genetics with semantic similarity searches in ontologies. Am J Hum Genet 85:457–464. https://doi.org/10.1016/j.ajhg.2009.09.003

    Article  PubMed  PubMed Central  CAS  Google Scholar 

  14. Köhler S, Vasilevsky NA, Engelstad M et al (2017) The human phenotype ontology in 2017. Nucleic Acids Res 45:D865–D876. https://doi.org/10.1093/nar/gkw1039

    Article  PubMed  CAS  Google Scholar 

  15. Molster C, Urwin D, Di Pietro L et al (2016) Survey of healthcare experiences of Australian adults living with rare diseases. Orphanet J Rare Dis 11:30. https://doi.org/10.1186/s13023-016-0409-z

    Article  PubMed  PubMed Central  Google Scholar 

  16. Pesquita C, Faria D, Falcão AO et al (2009) Semantic similarity in biomedical ontologies. Plos Comput Biol 5:e1000443. https://doi.org/10.1371/journal.pcbi.1000443

    Article  PubMed  PubMed Central  CAS  Google Scholar 

  17. Petrikin JE, Willig LK, Smith LD, Kingsmore SF (2015) Rapid whole genome sequencing and precision neonatology. Semin Perinatol 39:623–631. https://doi.org/10.1053/j.semperi.2015.09.009

    Article  PubMed  PubMed Central  Google Scholar 

  18. Rath A, Olry A, Dhombres F et al (2012) Representation of rare diseases in health information systems: the Orphanet approach to serve a wide range of end users. Hum Mutat 33:803–808. https://doi.org/10.1002/humu.22078

    Article  PubMed  Google Scholar 

  19. Resnik P (1995) Using information content to evaluate semantic similarity in a taxonomy. In: Proceedings of the 14th International Joint Conference on Artificial Intelligence, Bd. 1. Morgan Kaufmann Publishers, San Francisco, S 448–453

    Google Scholar 

  20. Schulz MH, Kohler S, Bauer S, Robinson PN (2011) Exact score distribution computation for ontological similarity searches. BMC Bioinformatics 12:441. https://doi.org/10.1186/1471-2105-12-441

    Article  PubMed  PubMed Central  Google Scholar 

  21. Schwarz JM, Cooper DN, Schuelke M, Seelow D (2014) MutationTaster2: mutation prediction for the deep-sequencing age. Nat Methods 11:361–362. https://doi.org/10.1038/nmeth.2890

    Article  PubMed  CAS  Google Scholar 

  22. Smedley D, Jacobsen JOB, Jäger M et al (2015) Next-generation diagnostics and disease-gene discovery with the exomiser. Nat Protoc 10:2004–2015. https://doi.org/10.1038/nprot.2015.124

    Article  PubMed  PubMed Central  CAS  Google Scholar 

  23. Smedley D, Oellrich A, Köhler S et al (2013) PhenoDigm: analyzing curated annotations to associate animal models with human diseases. Database (Oxford) 2013:bat25. https://doi.org/10.1093/database/bat025

    Article  CAS  Google Scholar 

  24. Vasilevsky NA, Foster ED, Engelstad ME et al (2018) Plain-language medical vocabulary for precision diagnosis. Nat Genet 50:474–476. https://doi.org/10.1038/s41588-018-0096-x

    Article  PubMed  CAS  Google Scholar 

  25. Yang Y, Muzny DM, Reid JG et al (2013) Clinical whole-exome sequencing for the diagnosis of mendelian disorders. N Engl J Med 369:1502–1511. https://doi.org/10.1056/NEJMoa1306555

    Article  PubMed  PubMed Central  CAS  Google Scholar 

  26. Zemojtel T, Köhler S, Mackenroth L et al (2014) Effective diagnosis of genetic disease by computational phenotype analysis of the disease-associated genome. Sci Transl Med 6:252ra123. https://doi.org/10.1126/scitranslmed.3009262

    Article  PubMed  PubMed Central  CAS  Google Scholar 

Download references

Danksagung

Die wissenschaftliche Arbeit des Autors wird durch folgende Förderungen unterstützt: E‑RARE 2015, Hipbi-RD („Harmonising phenomics information for a better interoperability in the RD field“; [01GM1608]) und H2020 Projekt Solve-RD [779257].

Author information

Affiliations

  1. Berlin Institute of Health (BIH), Anna-Louisa-Karsch-Str. 2, 10178, Berlin, Deutschland

    S. Köhler

  2. Einstein Center Digital Future, Wilhelmstr. 67, 10117, Berlin, Deutschland

    S. Köhler

  3. NeuroCure Clinical Research Center, Charité-Universitätsmedizin Berlin, Augustenburger Platz 1, 13353, Berlin, Deutschland

    S. Köhler

Authors
  1. S. Köhler
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to S. Köhler.

Ethics declarations

Interessenkonflikt

S. Köhler gibt an, dass kein Interessenkonflikt besteht.

Dieser Beitrag beinhaltet keine vom Autor durchgeführten Studien an Menschen oder Tieren.

Additional information

Redaktion

H. Haller, Hannover

G. Hasenfuß, Göttingen

J.R. Schäfer, Marburg

Rights and permissions

Reprints and Permissions

About this article

Verify currency and authenticity via CrossMark

Cite this article

Köhler, S. Vom Symptom zum Syndrom mit moderner Softwareunterstützung. Internist 59, 766–775 (2018). https://doi.org/10.1007/s00108-018-0456-8

Download citation

  • Published:

  • Issue Date:

  • DOI: https://doi.org/10.1007/s00108-018-0456-8

Schlüsselwörter

  • Biomedizinische Ontologie
  • Phänotyp
  • Differenzialdiagnose
  • Translationale Medizin
  • Genotyp

Keywords

  • Biomedical ontology
  • Phenotype
  • Differential diagnosis
  • Translational medical research
  • Genotype