Το νέο εργαλείο AI βελτιώνει την ανακάλυψη γονιδίων που εμπλέκονται σε νευροαναπτυξιακές συνθήκες

Το νέο εργαλείο AI βελτιώνει την ανακάλυψη γονιδίων που εμπλέκονται σε νευροαναπτυξιακές συνθήκες

Οι ερευνητές έχουν αναπτύξει μια προσέγγιση τεχνητής νοημοσύνης (AI) που επιταχύνει τον εντοπισμό γονιδίων που συμβάλλουν σε νευροαναπτυξιακές καταστάσεις όπως η διαταραχή του φάσματος του αυτισμού, η επιληψία και η αναπτυξιακή καθυστέρηση. Αυτό το νέο ισχυρό υπολογιστικό εργαλείο μπορεί να βοηθήσει στον πλήρη χαρακτηρισμό του γενετικού τοπίου των νευροαναπτυξιακών διαταραχών. Αυτό είναι το κλειδί για την ακριβή μοριακή διάγνωση, τον μηχανισμό διευκρίνισης και την ανάπτυξη στοχευμένων θεραπειών. Η μελέτη εμφανίστηκε στοAmerican Journal of Human Genetics.

«Παρόλο που οι ερευνητές έχουν κάνει σημαντικές προόδους στον εντοπισμό διαφόρων γονιδίων που σχετίζονται με νευροαναπτυξιακές διαταραχές, πολλοί ασθενείς με αυτές τις διαταραχές εξακολουθούν να μην λαμβάνουν γενετική διάγνωση, υποδεικνύοντας ότι υπάρχουν πολλά περισσότερα γονίδια που περιμένουν να ανακαλυφθούν», δήλωσε ο πρώτος και συνδιορθωτής συγγραφέας Δρ.

Για να ανακαλύψουν νέα γονίδια που σχετίζονται με μια ασθένεια, οι ερευνητές αναλύουν την αλληλουχία των γονιδιωμάτων πολλών ατόμων με τις διαταραχές και τα συγκρίνουν με τα γονιδιώματα των ατόμων χωρίς διαταραχές.

Έχουμε υιοθετήσει μια συμπληρωματική προσέγγιση. Χρησιμοποιήσαμε την τεχνητή νοημοσύνη για να βρούμε μοτίβα μεταξύ γονιδίων που έχουν ήδη συνδεθεί με νευροαναπτυξιακές ασθένειες και να προβλέψουμε επιπλέον γονίδια που εμπλέκονται επίσης σε αυτές τις διαταραχές. "

Δρ Ryan S. Dhindsa, επίκουρος καθηγητής παθολογίας και ανοσολογίας, Baylor College of Medicine

Οι ερευνητές αναζήτησαν μοτίβα γονιδιακής έκφρασης που μετρήθηκαν σε επίπεδο μονοκυττάρου από τον αναπτυσσόμενο ανθρώπινο εγκέφαλο. "Διαπιστώσαμε ότι τα μοντέλα τεχνητής νοημοσύνης που έχουν εκπαιδευτεί αποκλειστικά σε αυτά τα δεδομένα έκφρασης μπορούν να προβλέψουν γονίδια που εμπλέκονται σε διαταραχές του φάσματος του αυτισμού, στην αναπτυξιακή καθυστέρηση και στην επιληψία. Ωστόσο, θέλαμε να πάμε αυτή τη δουλειά ένα βήμα παραπέρα", δήλωσε ο Dhindsa.

Για να βελτιώσει περαιτέρω τα μοντέλα, η ομάδα συμπεριέλαβε περισσότερα από 300 πρόσθετα βιολογικά χαρακτηριστικά, συμπεριλαμβανομένων μετρήσεων για το πόσο δυσανεκτικά είναι τα γονίδια στις μεταλλάξεις, εάν αλληλεπιδρούν με άλλα γνωστά γονίδια που σχετίζονται με ασθένειες και τους λειτουργικούς τους ρόλους σε διάφορες βιολογικές οδούς.

«Αυτά τα μοντέλα έχουν εξαιρετικά υψηλή προγνωστική αξία», είπε ο Dhindsa. "Τα κορυφαία γονίδια ήταν διπλάσια ή εξαπλάσια, ανάλογα με τον τύπο κληρονομικότητας, εμπλουτισμένα για τα γονίδια κινδύνου διαταραχής υψηλής εμπιστοσύνης και όχι μόνο για τις μετρήσεις γενετικής δυσανεξίας. Επιπλέον, ορισμένα κορυφαία γονίδια είχαν 45 έως 500 φορές περισσότερες πιθανότητες να υποστηρίζονται από τη βιβλιογραφία χαμηλότερα από γονίδια χαμηλότερης κατάταξης."

«Βλέπουμε αυτά τα μοντέλα ως αναλυτικά εργαλεία που μπορούν να επικυρώσουν γονίδια που προκύπτουν από μελέτες αλληλουχίας, αλλά δεν έχουν ακόμη αρκετά στατιστικά στοιχεία για να εμπλέκονται στις συνθήκες νευροανάπτυξης», είπε ο Ντίντσα. «Ελπίζουμε ότι τα μοντέλα μας θα επιταχύνουν την ανακάλυψη γονιδίων και τις διαγνώσεις ασθενών και μελλοντικές μελέτες θα αξιολογήσουν αυτή την πιθανότητα».

Οι Blake A. Weido, Justin S. Dhindsa, Arya J. Shetty, Chloe F. Sands, Slavé Petrovski, Dimitrios Vitsios και ο κοινός συγγραφέας Anthony W. Zoghbi συνέβαλαν σε αυτό το έργο. Οι συγγραφείς είναι συνδεδεμένοι με ένα ή περισσότερα από τα ακόλουθα ιδρύματα: Baylor College of Medicine, Jan and Dan Duncan Neurological Research Institute στο Texas Children's Hospital, AstraZeneca και το Πανεπιστήμιο της Μελβούρνης.

Αυτή η εργασία υποστηρίζεται από επιχορηγήσεις από το NIH Ninds (F32 NS127854), το NIH (DP5 OD036131), μια επιχορήγηση μακροζωίας από τον Όμιλο Norn, το Ίδρυμα Hevolution, το Ίδρυμα Rosenkranz και το Grant K23MH121669.

Πηγές: