Nytt AI-verktyg förbättrar upptäckten av gener involverade i neuroutvecklingsförhållanden

Nytt AI-verktyg förbättrar upptäckten av gener involverade i neuroutvecklingsförhållanden

Forskare har utvecklat ett tillvägagångssätt med artificiell intelligens (AI) som påskyndar identifieringen av gener som bidrar till neuroutvecklingstillstånd som autismspektrumstörning, epilepsi och utvecklingsförsening. Detta nya kraftfulla beräkningsverktyg kan hjälpa till att helt karakterisera det genetiska landskapet av neuroutvecklingsstörningar. Detta är nyckeln till korrekt molekylär diagnos, belysande mekanism och utveckling av riktade terapier. Studien dök upp iAmerican Journal of Human Genetics.

"Även om forskare har gjort viktiga framsteg för att identifiera olika gener associerade med neuroutvecklingsstörningar, får många patienter med dessa sjukdomar fortfarande ingen genetisk diagnos, vilket tyder på att det finns många fler gener som väntar på att bli upptäckta", säger den första och medkorrigerande författaren Dr.

För att upptäcka nya gener förknippade med en sjukdom sekvenserar forskarna arvsmassan hos många människor med sjukdomarna och jämför dem med genomen hos människor utan sjukdomarna.

Vi har tagit ett komplementärt tillvägagångssätt. Vi använde AI för att hitta mönster mellan gener som redan är kopplade till neuroutvecklingssjukdomar och förutsäga ytterligare gener som också är involverade i dessa sjukdomar. "

Dr. Ryan S. Dhindsa, biträdande professor i patologi och immunologi, Baylor College of Medicine

Forskarna letade efter mönster av genuttryck mätt på encellsnivå från den utvecklande mänskliga hjärnan. "Vi fann att AI-modeller utbildade enbart på dessa uttrycksdata kan robust förutsäga gener involverade i autismspektrumstörningar, utvecklingsförseningar och epilepsi. Men vi ville ta detta arbete ett steg längre", säger Dhindsa.

För att ytterligare förbättra modellerna inkluderade teamet mer än 300 ytterligare biologiska egenskaper, inklusive mått på hur intoleranta gener är mot mutationer, om de interagerar med andra kända sjukdomsassocierade gener och deras funktionella roller i olika biologiska vägar.

"Dessa modeller har exceptionellt högt prediktivt värde," sa Dhindsa. "De översta generna var upp till två eller sex gånger, beroende på vilken typ av nedärvning, som berikades för generna med hög konfidensrisk för störningar snarare än de genetiska intoleransmåtten enbart. Dessutom hade vissa topprankade gener 45 till 500 gånger större sannolikhet att stödjas av litteraturen lägre än gener med lägre ranking."

"Vi ser dessa modeller som analytiska verktyg som kan validera gener som kommer från sekvenseringsstudier men som ännu inte har tillräckligt med statistiska bevis för att vara involverade i villkoren för neuroutveckling," sa Dhindsa. "Vi hoppas att våra modeller kommer att påskynda genupptäckt och patientdiagnoser, och framtida studier kommer att utvärdera denna möjlighet."

Blake A. Weido, Justin S. Dhindsa, Arya J. Shetty, Chloe F. Sands, Slavé Petrovski, Dimitrios Vitsios och medförfattaren Anthony W. Zoghbi bidrog till detta arbete. Författarna är knutna till en eller flera av följande institutioner: Baylor College of Medicine, Jan och Dan Duncan Neurological Research Institute vid Texas Children's Hospital, AstraZeneca och University of Melbourne.

Detta arbete stöds av anslag från NIH Ninds (F32 NS127854), NIH (DP5 OD036131), ett livslängdsbidrag från Norn Group, Hevolution Foundation, Rosenkranz Foundation och Grant K23MH121669.

Källor: