Kiedy testy genetyczne ujawniają rzadką mutację DNA, lekarze i pacjenci często pozostają w niepewności co do jej znaczenia. Teraz naukowcy z Icahn School of Medicine at Mount Sinai opracowali potężny, nowy sposób określania, czy pacjent z mutacją ma rzeczywiste ryzyko zapadnięcia na chorobę, koncepcja znana w genetyce jako penetracja.
Zespół postanowił rozwiązać ten problem, wykorzystując sztuczną inteligencję (SI) oraz rutynowe badania laboratoryjne, takie jak cholesterol, morfologia krwi i funkcja nerek. Szczegóły badań zostały opublikowane w wydaniu online magazynu Science z 28 sierpnia. Ich nowa metoda łączy uczenie maszynowe z elektronicznymi kartami zdrowia, aby zaoferować bardziej dokładne, oparte na danych spojrzenie na ryzyko genetyczne.
Tradycyjne badania genetyczne często polegają na prostym diagnozowaniu pacjentów na tak lub nie. Ale wiele chorób, takich jak nadciśnienie, cukrzyca czy rak, nie mieści się wyraźnie w binarnych kategoriach. Naukowcy z Mount Sinai przeszkolili modele SI, aby skwantyfikować chorobę na spektrum, oferując bardziej wyrafinowane spojrzenie na to, jak ryzyko choroby przejawia się w rzeczywistości.
„Chcieliśmy wyjść poza czarno-białe odpowiedzi, które często pozostawiają pacjentów i lekarzy w niepewności co do znaczenia wyniku testu genetycznego,” mówi Ron Do, doktor nauk medycznych, główny autor badania i profesor personalizowanej medycyny Charlesa Bronfmana w Icahn School of Medicine at Mount Sinai. „Korzystając ze sztucznej inteligencji i realnych danych laboratoryjnych, takich jak poziomy cholesterolu lub morfologia krwi, które już są częścią większości kart medycznych, możemy teraz lepiej oszacować, jak prawdopodobne jest rozwinięcie się choroby u osoby z określoną wariantem genetycznym. To o wiele bardziej wymierne, skalowalne i dostępne podejście, aby wspierać medycynę precyzyjną, zwłaszcza gdy mamy do czynienia z rzadkimi lub niejednoznacznymi wynikami.”
Korzystając z ponad 1 miliona kart zdrowia elektronicznych, badacze stworzyli modele SI dla 10 popularnych chorób. Następnie zastosowali te modele do osób znanych z rzadkimi wariantami genetycznymi, generując wynik między 0 a 1, odzwierciedlający prawdopodobieństwo rozwoju choroby.
Wyższy wynik, bliższy 1, sugeruje, że wariant może bardziej przyczynić się do choroby, podczas gdy niższy wynik wskazuje minimalne lub żadne ryzyko. Zespół obliczył „ML punkty penetracji” dla ponad 1600 wariantów genetycznych.
Niektóre wyniki były zaskakujące, mówią badacze. Warianty wcześniej oznaczone jako „niepewne” wykazywały jasne sygnały choroby, podczas gdy inne, uważane za przyczynę choroby, miały niewielki wpływ w rzeczywistych danych.
„Chociaż nasz model SI nie ma na celu zastąpić opinii klinicznej, może potencjalnie stanowić istotne wsparcie, zwłaszcza gdy wyniki testów są niejasne. Lekarze mogliby w przyszłości użyć oceny penetracji SI do decydowania, czy pacjenci powinni otrzymać wczesne badania przesiewowe czy podjąć kroki zapobiegawcze, albo uniknąć zbędnego niepokoju czy interwencji, jeśli wariant jest niskiego ryzyka,” mówi główny autor badania, Iain S. Forrest, doktor medycyny i doktor nauk, w laboratorium dr Doo w Icahn School of Medicine at Mount Sinai. „Jeśli pacjent ma rzadki wariant związany z zespołem Lyncha, na przykład, i uzyskuje wysoki wynik, to mogłoby to wywołać wcześniejsze badania przesiewowe na raka, ale jeśli ryzyko wydaje się niskie, uniknięto by nadmiernych wniosków czy nadmiernego leczenia.”
Zespół pracuje obecnie nad rozszerzeniem modelu, aby uwzględnić więcej chorób, szerszą gamę zmian genetycznych i bardziej zróżnicowanych populacji. Planują również śledzić, jak dobrze te prognozy się sprawdzają w ciągu czasu, czy osoby z wariantami wysokiego ryzyka rzeczywiście zachorują oraz czy wczesne interwencje mogą coś zmienić.
„Ostatecznie, nasze badanie wskazuje na przyszłość, w której SI i rutynowe dane kliniczne będą współpracować, aby zapewnić bardziej spersonalizowane i skuteczne spostrzeżenia dla pacjentów i rodzin poruszających się w wynikach testów genetycznych,” mówi dr Do. „Naszą nadzieją jest, że stanie się to skalowanym sposobem wspierania lepszych decyzji, klarowniejszej komunikacji oraz większego zaufania do tego, co naprawdę oznacza informacja genetyczna.”
Artykuł nosi tytuł „Ocena penetracji genetycznych wariantów oparta na uczeniu maszynowym.”
Autorzy badania, wymienieni w czasopiśmie, to Iain S. Forrest, Ha My T. Vy, Ghislain Rocheleau, Daniel M. Jordan, Ben O. Petrazzini, Girish N. Nadkarni, Judy H. Cho, Mythily Ganapathi, Kuan-Lin Huang, Wendy K. Chung i Ron Do.
Praca została wsparta częściowo przez następujące granty: Narodowy Instytut Nauk ogólnych Środków Zdrowia Narodowych Instytutów Zdrowia (T32-GM007280); Narodowy Instytut Nauk ogólnych Środków Zdrowia Narodowych Instytutów Zdrowia (R35-GM124836); Narodowy Instytut Diabetu i Chorób Nerek (U24-DK062429); Narodowy Instytut Genomiki Człowieka Narodowych Instytutów Zdrowia (R01-HG010365); Narodowy Instytut Nauk ogólnych Środków Zdrowia Narodowych Instytutów Zdrowia (R35-GM138113); oraz Narodowy Instytut Diabetu i Chorób Nerek (U24-DK062429).
* Szpitale członkowskie systemu Mount Sinai Health: The Mount Sinai Hospital; Mount Sinai Brooklyn; Mount Sinai Morningside; Mount Sinai Queens; Mount Sinai South Nassau; Mount Sinai West; and New York Eye and Ear Infirmary of Mount Sinai
