Yeni Yapay Zeka, Nadir Genetik Bozuklukların Tanısını Hızlandırıyor

Baylor Tıp Fakültesi araştırmacıları, genetik varyantlara öncelik vererek nadir Mendel bozukluklarının teşhisini iyileştiren bir makine öğrenme sistemi olan AI-MARRVEL'i (AIM) geliştirdi. AIM, bilinen varyantlardan oluşan geniş bir veritabanından yararlanır ve doğruluk açısından diğer yöntemlerden daha iyi performans gösterdiğini kanıtlayarak nadir genetik durumların teşhisinde ve keşfinde potansiyel olarak devrim yaratabilir.

Baylor College of Medicine tarafından geliştirilen AIM, nadir hastalıklarda nedensel varyantları önceliklendirerek genetik tanı doğruluğunu ve hızını artırıyor ve diğer yöntemlere göre üstün sonuçlar gösteriyor. Nadir Mendel bozukluklarının teşhisi deneyimli genetikçiler için bile yoğun emek gerektiren bir iştir. Baylor Tıp Fakültesi'ndeki araştırmacılar, yapay zekayı kullanarak süreci daha verimli hale getirmeye çalışıyor. Ekip, Mendel bozukluklarına neden olabilecek potansiyel değişkenlerin önceliklendirilmesine yardımcı olmak için AI-MARRVEL (AIM) adı verilen bir makine öğrenme sistemi geliştirdi. Çalışma bugün NEJM AI'da yayınlandı . Baylor Genetics klinik teşhis laboratuvarından araştırmacılar, AIM modülünün, ilgilenilen genin klinik bilgisinden bağımsız olarak tahminlere katkıda bulunabileceğini ve yeni hastalık mekanizmalarının keşfinin ilerlemesine yardımcı olabileceğini belirtti. Nadir genetik bozuklukların tanı oranı yalnızca yüzde 30 civarında ve semptomların başlangıcından tanıya kadar geçen süre ortalama altı yıl. 

Baylor Genetics'de moleküler ve insan genetiği doçenti ve klinik direktörü yardımcı yazar Dr. Pengfei Liu, teşhisin hızını ve doğruluğunu artırmak için yeni yaklaşımlara acil ihtiyaç olduğunu söyledi. AIM, daha önce Baylor ekibi tarafından geliştirilen, Nadir Varyant Araştırması için Model Organizma Toplu Kaynakları ( MARRVEL ) adı verilen, bilinen varyantlar ve genetik analizlerden oluşan halka açık bir veri tabanı kullanılarak eğitilir . MARRVEL veritabanı, teşhis edilen binlerce vakanın 3,5 milyondan fazla varyantını içermektedir. Araştırmacılar, AIM'e hastaların ekzom dizisi verilerini ve semptomlarını sağlıyor ve AIM, nadir hastalığa neden olan en olası gen adaylarının sıralamasını sağlıyor.

Araştırmacılar, AIM'in sonuçlarını son kıyaslama makalelerinde kullanılan diğer algoritmalarla karşılaştırdı. Modelleri, Baylor Genetics, Ulusal Sağlık Enstitüleri tarafından finanse edilen Teşhis Edilmemiş Hastalıklar Ağı (UDN) ve Gelişimsel Bozuklukların Şifresinin Çözülmesi (DDD) projesi tarafından belirlenen teşhislere sahip üç veri grubunu kullanarak test ettiler. AIM, bu gerçek dünya veri setlerini kullanan diğer tüm kıyaslama yöntemlerinin iki katı vakada, teşhis edilen genleri sürekli olarak 1 numaralı aday olarak sıraladı. "AIM'i insanların karar verme şeklini taklit edecek şekilde eğittik ve makine bunu çok daha hızlı, daha verimli ve daha düşük maliyetle yapabiliyor. 

Baylor'da pediatri-nöroloji doçenti ve Texas Çocuk Hastanesi Jan ve Dan Duncan Nörolojik Araştırma Enstitüsü'nde (NRI) araştırmacı olan yazarlardan Dr. Zhandong Liu, "Bu yöntem, doğru teşhis oranını etkili bir şekilde ikiye katladı" dedi. AIM, yıllardır çözülemeyen nadir hastalık vakaları için de yeni bir umut sunuyor. Bu soğuk vakaların çözümünde anahtar olabilecek yüzlerce yeni hastalığa neden olan varyant her yıl rapor edilmektedir; ancak, vaka hacminin yüksek olması nedeniyle hangi vakaların yeniden analizi gerektirdiğini belirlemek zordur. Araştırmacılar, AIM'in klinik ekzom yeniden analizini UDN ve DDD vakalarından oluşan bir veri seti üzerinde test etti ve teşhis edilebilir vakaların %57'sini doğru bir şekilde tanımlayabildiğini buldu.

Zhandong Liu, "Potansiyel olarak çözülebilir vakaların yüksek güvenliğe sahip bir kümesini belirlemek ve bu vakaları manuel incelemeye itmek için AIM'yi kullanarak yeniden analiz sürecini çok daha verimli hale getirebiliriz" dedi. "Bu aracın, daha önce teşhis edilebileceği düşünülmeyen eşi benzeri görülmemiş sayıda vakayı kurtarabileceğini öngörüyoruz." Araştırmacılar ayrıca AIM'in herhangi bir hastalıkla bağlantısı olmayan yeni gen adaylarını keşfetme potansiyelini de test etti. AIM, iki UDN vakasında yeni bildirilen iki hastalık genini en iyi adaylar olarak doğru bir şekilde tahmin etti. "AIM, nadir hastalıkları teşhis etmek için yapay zekanın kullanılmasında ileriye doğru atılmış büyük bir adımdır. 

Ayırıcı genetik tanıları birkaç gene kadar daraltıyor ve daha önce bilinmeyen bozuklukların keşfine rehberlik etme potansiyeline sahip," dedi Baylor'da moleküler ve insan genetiği alanında Seçkin Hizmet Profesörü ve nörogenetik başkanı olan eş-yazarı Dr. Hugo Bellen. Duncan NRI. "Sertifikalı klinik laboratuvar direktörlerimizin derin uzmanlığı, yüksek düzeyde seçilmiş veri kümeleri ve ölçeklenebilir otomatik teknolojiyle birleştirildiğinde, en savunmasız hasta popülasyonları ve karmaşık koşullar için bile geniş ölçekte kapsamlı genetik bilgiler sağlamak için artırılmış zekanın etkisini görüyoruz. Baylor'da moleküler ve insan genetiği alanında doçent ve Baylor Genetics'de klinik genomik başkan yardımcısı olan kıdemli yazar Dr. Fan Xia dedi. "Baylor Genetics kohortundan alınan gerçek dünya eğitim verilerini herhangi bir dahil etme kriteri olmaksızın uygulayarak, AIM üstün doğruluk gösterdi. Baylor Genetics, yeni nesil teşhis zekasını geliştirmeyi ve bunu klinik uygulamaya getirmeyi hedefliyor."