Nyt AI-værktøj forbedrer opdagelsen af ​​gener involveret i neuroudviklingsmæssige forhold

Nyt AI-værktøj forbedrer opdagelsen af ​​gener involveret i neuroudviklingsmæssige forhold

Forskere har udviklet en kunstig intelligens (AI) tilgang, der accelererer identifikation af gener, der bidrager til neuroudviklingstilstande såsom autismespektrumforstyrrelser, epilepsi og udviklingsforsinkelse. Dette nye kraftfulde beregningsværktøj kan hjælpe fuldt ud med at karakterisere det genetiske landskab af neuroudviklingslidelser. Dette er nøglen til nøjagtig molekylær diagnose, belysningsmekanisme og udvikling af målrettede terapier. Undersøgelsen dukkede op iAmerican Journal of Human Genetics.

"Selvom forskere har gjort vigtige fremskridt med at identificere forskellige gener forbundet med neuroudviklingsforstyrrelser, modtager mange patienter med disse lidelser stadig ikke en genetisk diagnose, hvilket indikerer, at der er mange flere gener, der venter på at blive opdaget," sagde den første og medkorrigerende forfatter Dr.

For at opdage nye gener forbundet med en sygdom sekventerer forskere genomerne fra mange mennesker med lidelserne og sammenligner dem med genomerne fra mennesker uden lidelserne.

Vi har valgt en komplementær tilgang. Vi brugte AI til at finde mønstre mellem gener, der allerede er forbundet med neuroudviklingssygdomme og forudsige yderligere gener, der også er involveret i disse lidelser. “

Dr. Ryan S. Dhindsa, assisterende professor i patologi og immunologi, Baylor College of Medicine

Forskerne ledte efter mønstre for genekspression målt på enkeltcelleniveau fra den menneskelige hjerne under udvikling. "Vi fandt ud af, at AI-modeller, der udelukkende er trænet på disse ekspressionsdata, robust kan forudsige gener involveret i autismespektrumforstyrrelser, udviklingsforsinkelser og epilepsi. Men vi ønskede at tage dette arbejde et skridt videre," sagde Dhindsa.

For yderligere at forbedre modellerne inkluderede holdet mere end 300 yderligere biologiske funktioner, herunder målinger af, hvor intolerante gener er over for mutationer, om de interagerer med andre kendte sygdomsassocierede gener og deres funktionelle roller i forskellige biologiske veje.

"Disse modeller har en usædvanlig høj prædiktiv værdi," sagde Dhindsa. "De øverste gener var op til det dobbelte eller seks gange, afhængigt af arvetypen, idet de blev beriget for generne for højsikkerhedssygdomme, snarere end de genetiske intolerance-metrikker alene. Derudover var der 45 til 500 gange større sandsynlighed for, at nogle toprangerede gener blev understøttet af litteraturen, der var lavere end lavere rangerende gener."

"Vi ser disse modeller som analytiske værktøjer, der kan validere gener, der dukker op fra sekventeringsundersøgelser, men som endnu ikke har nok statistisk bevis til at være involveret i betingelserne for neuroudvikling," sagde Dhindsa. "Vi håber, at vores modeller vil fremskynde genopdagelse og patientdiagnoser, og fremtidige undersøgelser vil evaluere denne mulighed."

Blake A. Weido, Justin S. Dhindsa, Arya J. Shetty, Chloe F. Sands, Slavé Petrovski, Dimitrios Vitsios og fælles forfatter Anthony W. Zoghbi bidrog til dette arbejde. Forfatterne er tilknyttet en eller flere af følgende institutioner: Baylor College of Medicine, Jan og Dan Duncan Neurological Research Institute ved Texas Children's Hospital, AstraZeneca og University of Melbourne.

Dette arbejde er støttet af tilskud fra NIH Ninds (F32 NS127854), NIH (DP5 OD036131), et langtidstilskud fra Norn Group, Hevolution Foundation, Rosenkranz Foundation og Grant K23MH121669.

Kilder: