Evaluating ACMG/ClinGen PP3/BP4 recommendations for missense variants in CSNK2A1

Abstract

Purpose: Assessing variant pathogenicity in genes related to rare genetic disorders is a challenging task. While populational databases aid, additional methods are imperative when those genes are also constrained against variation, i.e. many potential variants are also absent from population databases. Many computational prediction algorithms (in silico tools) have been developed considering the protein and amino acid characteristics, and cross species conservation for assessing a variant pathogenicity. Some of those in silico tools are widely utilized by clinical and molecular geneticists and endorsed by professional organizations such as ACMG and ClinGen. However, their performance may not be the same on every gene and their variants. Materials and methods: In this study, the performance characteristics of ACMG/ClinGen endorsed in silico tools for pathogenic/likely pathogenic (reported in affected individuals) and benign/likely benign (high population allele frequency) missense variants in CSNK2A1 are evaluated to identify the most reliable prediction tool(s) in aiding variant pathogenicity assessment. Results: Among the endorsed in silico tools AlphaMissense is the best predictor for variant pathogenicity followed by MutPred2, VARITY_R, and ESM1b; while REVEL, VEST4, and BayesDel do not seem to be good predictors for PP3. Conversely, REVEL and BayesDel are the most reliable predictors for variant benignity compared to the rest of the predictors. Conclusion: Although the diagnostic laboratories are recommended to select one in silico predictor to utilize genome-wide variant predictions, every gene might benefit their own in silico predictor evaluations, even different predictors for pathogenic vs benign predictions might be better utilized.

Keywords

• CSNK2A1
• molecular genetics
• in silico
• ACMG
• ClinGen

ACMG/ClinGen PP3/BP4 önerilerinin CSNK2A1 missense varyantları için değerlendirmesi

Abstract

Amaç: Nadir genetik bozukluklarla ilişkili genlerdeki varyant patojenitesini değerlendirmek zorlu bir iştir. Popülasyon veri tabanları yardımcı olsa da bu genler varyasyona karşı kısıtlandığında, yani birçok potansiyel varyant popülasyon veri tabanlarında da bulunmadığında ek yöntemlere ihtiyaç duyulur. Protein ve amino asit özelliklerini ve türler arası korumayı dikkate alan birçok hesaplamalı tahmin algoritması (in silico araçlar) geliştirilmiştir ve bir varyant patojenitesini değerlendirmek için kullanılmaktadır. Bu in silico araçlardan bazıları klinik ve moleküler genetikçiler tarafından yaygın olarak kullanılmakta ve ACMG ve ClinGen gibi profesyonel kuruluşlar tarafından önerilmektedir. Ancak, bu in silico araçların performansları her gen ve varyantları üzerinde aynı olmayabilir. Gereç ve yöntem: Bu çalışmada, CSNK2A1 genindeki patojenik/olası patojenik (etkilenen bireylerde bildirilen) ve benign/olası benign (yüksek popülasyon allel frekansı) missense varyantlar için ACMG/ClinGen tarafından önerilen in silico araçlarının performans özellikleri ve varyant patojenite değerlendirmesindeki en güvenilir in silico aracı/araçlarını belirlemek amacıyla değerlendirilmiştir. Bulgular: Önerilen in silico araçlar arasında AlphaMissense, varyant patojenitesi için en iyi prediktör olup, bunu MutPred2, VARITY_R ve ESM1b takip etmektedir; REVEL, VEST4 ve BayesDel ise PP3 için iyi prediktörler olarak görünmemekle birlikte REVEL ve BayesDel, diğer in silico araçlara kıyasla varyant benign prediksiyon için en güvenilir araçlardır. Sonuç: Tanı laboratuvarlarının genom çapında varyant tahminlerinde kullanmak için yalnızca bir adet in silico aracı seçmeleri önerilmekle birlikte, her gen için farklı in silico prediktör kullanmak, hatta patojenik ve benign prediksiyonlar için farklı araçlar kullanmak daha doğru sınıflamalara yol açabilir.

Keywords

• CSNK2A1
• moleküler genetik
• in silico
• ACMG
• ClinGen

References

1. Richards S, Aziz N, Bale S, et al. Standards and guidelines for the interpretation of sequence variants: a joint consensus recommendation of the American College of Medical Genetics and Genomics and the Association for Molecular Pathology. Genet Med. 2015;17(5):405-424. doi:10.1038/gim.2015.30
2. Tavtigian SV, Harrison SM, Boucher KM, Biesecker LG. Fitting a naturally scaled point system to the ACMG/AMP variant classification guidelines. Hum Mutat. 2020;41(10):1734-1737. doi:10.1002/humu.24088
3. Tavtigian SV, Greenblatt MS, Harrison SM, et al. Modeling the ACMG/AMP variant classification guidelines as a Bayesian classification framework. Genet Med. 2018;20(9):1054-1060. doi:10.1038/gim.2017.210
4. Pejaver V, Byrne AB, Feng BJ, et al. Calibration of computational tools for missense variant pathogenicity classification and ClinGen recommendations for PP3/BP4 criteria. Am J Hum Genet. 2022;109(12):2163-2177. doi:10.1016/j.ajhg.2022.10.013
5. Bergquist T, Stenton SL, Nadeau EAW, et al. Calibration of additional computational tools expands ClinGen recommendation options for variant classification with PP3/BP4 criteria. Genet Med. 2025;27(6):101402. doi:10.1016/j.gim.2025.101402
6. Okur V, Cho MT, Henderson L, et al. De novo mutations in CSNK2A1 are associated with neurodevelopmental abnormalities and dysmorphic features. Hum Genet. 2016;135(7):699-705. doi:10.1007/s00439-016-1661-y
7. Bagatelas ED, Khan MM, Rushing GV. OCNDS core features are conserved across variants, with loop-region mutations driving greater symptom burden. Front Hum Neurosci. 2025;19:1589897. doi:10.3389/fnhum.2025.1589897
8. McLaren W, Gil L, Hunt SE, et al. The ensembl variant effect predictor. Genome Biol. 2016;17(1):122. doi:10.1186/s13059-016-0974-4

9. Feng BJ. PERCH: A unified framework for disease gene prioritization. Hum Mutat. 2017;38(3):243-251. doi:10.1002/humu.23158
10. Pejaver V, Urresti J, Lugo Martinez J, et al. Inferring the molecular and phenotypic impact of amino acid variants with MutPred2. Nat Commun. 2020;11(1):5918. doi:10.1038/s41467-020-19669-x
11. Ioannidis NM, Rothstein JH, Pejaver V, et al. REVEL: an ensemble method for predicting the pathogenicity of rare missense variants. Am J Hum Genet. 2016;99(4):877-885. doi:10.1016/j.ajhg.2016.08.016
12. Carter H, Douville C, Stenson PD, Cooper DN, Karchin R. Identifying Mendelian disease genes with the variant effect scoring tool. BMC Genomics. 2013;14(Suppl 3):S3. doi:10.1186/1471-2164-14-S3-S3
13. Cheng J, Novati G, Pan J, et al. Accurate proteome-wide missense variant effect prediction with AlphaMissense. Science. 2023;381(6664):eadg7492. doi:10.1126/science.adg7492
14. Brandes N, Goldman G, Wang CH, Ye CJ, Ntranos V. Genome-wide prediction of disease variant effects with a deep protein language model. Nat Genet. 2023;55(9):1512-1522. doi:10.1038/s41588-023-01465-0
15. Wu Y, Li R, Sun S, Weile J, Roth FP. Improved pathogenicity prediction for rare human missense variants. Am J Hum Genet. 2021;108(10):1891-1906. doi:10.1016/j.ajhg.2021.08.012