Neues KI -Tool verbessert die Entdeckung von Genen, die an den neurologischen Entwicklungsbedingungen beteiligt sind

Forscher haben einen Ansatz für künstliche Intelligenz (AI) entwickelt, der die Identifizierung von Genen beschleunigt, die zu neurologischen Entwicklungsbedingungen wie Autismus -Spektrum -Störung, Epilepsie und Entwicklungsverzögerung beitragen. Dieses neue leistungsstarke Computerwerkzeug kann dazu beitragen, die genetische Landschaft von neurologischen Entwicklungsstörungen vollständig zu charakterisieren. Dies ist der Schlüssel zur genauen molekularen Diagnose, zum Aufklärungsmechanismus und zur Entwicklung gezielter Therapien. Die Studie erschien in der American Journal of Human Genetics.

„Obwohl Forscher wichtige Fortschritte gemacht haben, die verschiedene Gene identifizieren, die mit neurologischen Entwicklungsstörungen verbunden sind, erhalten viele Patienten mit diesen Erkrankungen immer noch keine genetische Diagnose, was darauf hinweist, dass es noch viel mehr Gene gibt, die darauf warten, entdeckt zu werden“, sagte der First und Co-Correcting-Autor Dr.

Um neue Gene zu entdecken, die mit einer Krankheit assoziiert sind, sequenzieren Forscher die Genome vieler Personen mit den Störungen und vergleichen sie mit den Genomen von Menschen ohne Störungen.

Wir haben einen komplementären Ansatz gewählt. Wir haben AI verwendet, um Muster zwischen Genen zu finden, die bereits mit neurologischen Entwicklungskrankheiten verbunden sind, und zusätzliche Gene vorherzusagen, die auch an diesen Störungen beteiligt sind. „

Dr. Ryan S. Dhindsa, Assistenzprofessor für Pathologie und Immunologie, Baylor College of Medicine

Die Forscher suchten nach Mustern der Genexpression, die auf Einzelzellenebene vom sich entwickelnden menschlichen Gehirn gemessen wurden. „Wir fanden heraus, dass KI -Modelle, die ausschließlich auf diesen Expressionsdaten trainiert wurden, Gene, die an Autismus -Spektrum -Störungen, Entwicklungsverzögerung und Epilepsie beteiligt sind, robust vorhersagen können. Wir wollten diese Arbeit jedoch noch einen Schritt weiter gehen“, sagte Dhindsa.

Um die Modelle noch weiter zu verbessern, umfasste das Team mehr als 300 weitere biologische Merkmale, einschließlich Maßnahmen, wie intolerante Gene gegenüber Mutationen sind, ob sie mit anderen bekannten krankheitsassoziierten Genen und ihrer funktionellen Rolle in verschiedenen biologischen Wegen interagieren.

„Diese Modelle haben einen außergewöhnlich hohen Vorhersagewert“, sagte Dhindsa. „Die höchsten Gene waren bis zu zweifach oder sechsfach, abhängig von der Art der Vererbung, die für die Risikogene mit hoher Konfidenzinstörung eher angereichert ist als für die metrischen Metriken für genische Intoleranz allein. Zusätzlich waren einige erstklassige Gene 45- bis 500-mal wahrscheinlicher, die durch die Literatur niedriger als niedrigere Ranglistengene unterstützt wurden.“

„Wir sehen diese Modelle als analytische Tools, mit denen Gene validieren können, die aus Sequenzierungsstudien hervorgehen, aber noch nicht genügend statistischer Beweise dafür haben, an den Bedingungen für die Entwicklung von Neuroentwicklungen beteiligt zu sein“, sagte Dhindsa. „Wir hoffen, dass unsere Modelle die Gen -Entdeckung und die Patientendiagnosen beschleunigen, und zukünftige Studien werden diese Möglichkeit bewerten.“

Blake A. Weido, Justin S. Dhindsa, Arya J. Shetty, Chloe F. Sands, Slavé Petrovski, Dimitrios Vitsios und der gemeinsame Autor Anthony W. Zoghbi haben zu dieser Arbeit beigetragen. Die Autoren sind mit einem oder mehreren der folgenden Institutionen verbunden: Baylor College of Medicine, Jan und Dan Duncan Neurological Research Institute am Texas Children’s Hospital, AstraZeneca und der University of Melbourne.

Diese Arbeit wird durch Zuschüsse von NIH Ninds (F32 NS127854), NIH (DP5 OD036131), einem Langlebigkeitstipendium der Norn Group, der Hevolution Foundation, der Rosenkranz Foundation und des Grant K23MH121669, unterstützt.

Quellen: