Diagnozowanie rzadkich zaburzeń mendlowskich jest zadaniem pracochłonnym, nawet dla doświadczonych genetyków. Badacze z Baylor College of Medicine starają się usprawnić ten proces, wykorzystując sztuczną inteligencję. Zespół opracował system uczenia maszynowego o nazwie AI-MARRVEL (AIM), który pomaga w ustalaniu priorytetów potencjalnie sprawczych wariantów zaburzeń mendlowskich. Badanie zostało opublikowane w NEJM AI.

Naukowcy z laboratorium diagnostyki klinicznej Baylor Genetics zauważyli, że moduł AIM może przyczynić się do przewidywań niezależnych od wiedzy klinicznej na temat genu będącego przedmiotem zainteresowania, pomagając w odkryciu nowych mechanizmów chorobowych. „Wskaźnik rozpoznawania rzadkich chorób genetycznych wynosi tylko około 30%, a od pojawienia się objawów do postawienia diagnozy mija średnio sześć lat. Istnieje pilna potrzeba opracowania nowych podejść, które poprawiłyby szybkość i dokładność diagnozy” – stwierdził współautor do korespondencji, dr Pengfei Liu, profesor nadzwyczajny genetyki molekularnej i człowieka oraz zastępca dyrektora klinicznego w Baylor Genetics

Szkolenie AIM odbywa się przy użyciu publicznej bazy danych znanych wariantów i analizy genetycznej zwanej Model organizm Aggregated Resources for Rare Variant ExpLoration (MARRVEL), opracowanej wcześniej przez zespół Baylor. W bazie MARRVEL znajduje się ponad 3,5 miliona wariantów spośród tysięcy zdiagnozowanych przypadków. Naukowcy dostarczają AIM dane dotyczące sekwencji egzomów i objawów pacjentów, a AIM udostępnia ranking najbardziej prawdopodobnych kandydatów na geny wywołujące rzadką chorobę.

Naukowcy porównali wyniki AIM z innymi algorytmami zastosowanymi w najnowszych dokumentach porównawczych. Przetestowali modele, korzystając z trzech kohort danych z ustalonymi diagnozami z Baylor Genetics, sieci niezdiagnozowanych chorób finansowanej przez Narodowy Instytut Zdrowia (UDN) oraz projektu Deciphering Developmental Disorders (DDD).

AIM konsekwentnie plasowało zdiagnozowane geny na kandydatach nr 1 w dwukrotnie większej liczbie przypadków niż w przypadku wszystkich innych metod porównawczych wykorzystujących te rzeczywiste zbiory danych.

„Wyszkoliliśmy AIM, aby naśladował sposób, w jaki ludzie podejmują decyzje, a maszyna może to robić znacznie szybciej, wydajniej i niższym kosztem. Metoda ta skutecznie podwoiła wskaźnik trafnej diagnozy” – powiedział współautor do korespondencji, dr Zhandong Liu, profesor nadzwyczajny pediatrii i neurologii w Baylor i badacz w Instytucie Badań Neurologicznych im. Jana i Dana Duncanów (NRI) w Szpitalu Dziecięcym w Teksasie.

AIM daje także nową nadzieję w przypadkach chorób rzadkich, które od lat pozostają nierozwiązane. Co roku zgłaszane są setki nowych wariantów choroby, które mogą mieć kluczowe znaczenie w rozwiązaniu tych przypadków przeziębienia; jednakże określenie, które przypadki wymagają ponownej analizy, jest trudne ze względu na dużą liczbę przypadków. Naukowcy przetestowali przeprowadzoną przez AIM ponowną analizę egzomu klinicznego na zbiorze danych dotyczących przypadków UDN i DDD i odkryli, że udało jej się poprawnie zidentyfikować 57% możliwych do zdiagnozowania przypadków.

„Możemy znacznie usprawnić proces ponownej analizy, wykorzystując AIM do zidentyfikowania zestawu przypadków o wysokim stopniu pewności, które można rozwiązać potencjalnie, i przekazując je do ręcznego przeglądu” – powiedział Zhandong Liu. „Przewidujemy, że to narzędzie może wykryć bezprecedensową liczbę przypadków, które wcześniej nie były uważane za możliwe do zdiagnozowania”.

Naukowcy przetestowali także potencjał AIM w zakresie odkrywania nowych kandydatów na geny, których nie powiązano z chorobą. AIM poprawnie przewidział dwa nowo zgłoszone geny chorobowe jako głównych kandydatów w dwóch przypadkach UDN.

„AIM to duży krok naprzód w wykorzystaniu sztucznej inteligencji do diagnozowania rzadkich chorób. Zawęża diagnostykę różnicową do kilku genów i może pomóc w odkryciu nieznanych wcześniej zaburzeń” – powiedział współautor do korespondencji, dr Hugo Bellen, profesor genetyki molekularnej i człowieka w Baylor oraz kierownik neurogenetyki w firmie Baylor. Duncana NRI.

„W połączeniu z głęboką wiedzą specjalistyczną naszych certyfikowanych dyrektorów laboratoriów klinicznych, starannie dobranymi zbiorami danych i skalowalną zautomatyzowaną technologią widzimy wpływ rozszerzonej inteligencji na zapewnianie kompleksowych informacji genetycznych na dużą skalę, nawet w przypadku najbardziej bezbronnych populacji pacjentów i złożonych schorzeń” – powiedział starszy autor dr Fan Xia, profesor nadzwyczajny genetyki molekularnej i ludzkiej w Baylor oraz wiceprezes ds. genomiki klinicznej w Baylor Genetics. „Dzięki zastosowaniu rzeczywistych danych szkoleniowych z kohorty Baylor Genetics bez żadnych kryteriów włączenia, badanie AIM wykazało wyjątkową dokładność. Celem Baylor Genetics jest opracowanie inteligencji diagnostycznej nowej generacji i wprowadzenie jej do praktyki klinicznej.

Inni autorzy tej pracy to Dongxue Mao, Chaozhong Liu, Linhua Wang, Rami AI-OURan, Cole Deisseroth, Sasidhar Pasupuleti, Seon Young Kim, Lucian Li, Jill A.Rosenfeld, Linyan Meng, Lindsay C. Burrage, Michael Wangler, Shinya Yamamoto, Michael Santana, Victor Perez, Priyank Shukla, Christine Eng, Brendan Lee i Bo Yuan. Są powiązani z jedną lub większą liczbą następujących instytucji: Baylor College of Medicine, Instytut Badań Neurologicznych Jana i Dana Duncanów w Szpitalu Dziecięcym w Teksasie, Uniwersytet Techniczny Al Hussein, Baylor Genetics i Centrum Sekwencjonowania Genomu Ludzkiego w Baylor.

Praca ta była wspierana przez Inicjatywę Chana Zuckerberga oraz Narodowy Instytut Chorób Neurologicznych i Udaru mózgu (3U2CNS132415). Pełną publikację przeczytasz tutaj.

Autor: Molly Chiu

Śledź z laboratoriów na X @BCMFromtheLabs i Instagramie!