Sztuczna inteligencja może usprawnić diagnostykę rzadkich chorób genetycznych

2024-04-27 06:04 aktualizacja: 2024-04-27, 11:10
Fot. Pixabay (zdjęcie ilustracyjne)
Fot. Pixabay (zdjęcie ilustracyjne)
Dzięki systemowi uczenia maszynowego o nazwie AI-MARRVEL (AIM) genetycy będą mogli szybciej i łatwiej diagnozować choroby genetyczne spowodowane przez mutację pojedynczego genu - informuje pismo NEJM AI.

Choroby, które powoduje mutacja pojedynczego genu są też określane jako mendlowskie lub dziedziczone monogenowo. Określenie „mendlowskie” pochodzi od nazwiska Grzegorza Mendla, który na przykładzie zielonego groszku badał, w jaki sposób są dziedziczone i przekazywane poszczególne cechy.

Diagnostyka rzadkich zaburzeń mendlowskich to bardzo pracochłonne zadanie, nawet dla doświadczonych genetyków.

Naukowcy z Baylor College of Medicine (Houston, Teksas, USA) starają się usprawnić ten proces, wykorzystując sztuczną inteligencję. System uczenia maszynowego AI-MARRVEL pomaga w ustalaniu najbardziej prawdopodobnych wariantów zaburzeń.

Wskaźnik rozpoznawania rzadkich chorób genetycznych wynosi tylko około 30 proc., a od pojawienia się objawów do postawienia diagnozy mija średnio sześć lat. Istnieje pilna potrzeba opracowania nowych podejść, które poprawią szybkość i dokładność diagnozy” – wskazał dr Pengfei Liu, zastępca dyrektora klinicznego w Baylor Genetics.

Szkolenie AIM odbywa się przy użyciu publicznej bazy danych znanych wariantów i analizy genetycznej zwanej Model organism 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 genów i objawów pacjentów, a AIM udostępnia ranking najbardziej prawdopodobnych kandydatów na geny wywołujące rzadką chorobę.

Naukowcy porównali wyniki AIM z innymi algorytmami. 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 kandydata 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 przy niższych kosztach. Metoda ta skutecznie podwoiła wskaźnik trafnej diagnozy” – powiedział współautor badań, dr Zhandong Liu z Baylor.

AIM daje także nową nadzieję w nierozwiązanych od lat przypadkach chorób rzadkich, umożliwiając powtórne analizy w oparciu o nową wiedzę.

„Możemy znacznie usprawnić proces ponownej analizy, wykorzystując AIM do zidentyfikowania zestawu przypadków o wysokim stopniu pewności, które można rozwiązać, 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 "podejrzanych" w dwóch przypadkach.

Naukowcy z Baylor zamierzają opracować następną generację inteligencji diagnostycznej i wprowadzić ją do praktyki klinicznej.(PAP)

Autor: Paweł Wernicki

pp/