חוקרי מכללת ביילור לרפואה פיתחו את AI-MARRVEL (AIM), מערכת למידת מכונה המשפרת את האבחנה של הפרעות מנדליות נדירות על ידי מתן עדיפות לגרסאות גנטיות. AIM ממנפת מסד נתונים גדול של גרסאות ידועות והוכיחה כי היא מתעלה על שיטות אחרות בדייקנות, מה שעלול לחולל מהפכה באבחון ובגילוי של מצבים גנטיים נדירים. קרדיט: twoday.co.il.com
AIM, שפותחה על ידי Baylor College of Medicine, משפרת את האבחנה הגנטית דיוק ומהירות על ידי תעדוף וריאנטים סיבתיים במחלות נדירות, תוך הצגת תוצאות מעולות בהשוואה לשיטות אחרות.
אבחון הפרעות מנדליות נדירות הוא משימה עתירת עבודה, אפילו עבור גנטיקאים מנוסים. חוקרים במכללת ביילור לרפואה מנסים להפוך את התהליך ליעיל יותר באמצעות בינה מלאכותית. הצוות פיתח א למידת מכונה מערכת הנקראת AI-MARRVEL (AIM) כדי לעזור לתעדף וריאנטים שעלולים לגרום להפרעות מנדליות. המחקר פורסם היום ב NEJM AI.
חוקרים ממעבדת האבחון הקלינית של Baylor Genetics ציינו שהמודול של AIM יכול לתרום לתחזיות שאינן תלויות בידע הקליני של הגן המעניין, ולעזור לקדם את הגילוי של מנגנוני מחלה חדשים. "שיעור האבחון של הפרעות גנטיות נדירות הוא רק כ-30%, ובממוצע, מדובר בשש שנים ממועד הופעת הסימפטומים ועד האבחנה. יש צורך דחוף בגישות חדשות כדי לשפר את המהירות והדיוק של האבחון", אמר הסופר המתכתב ד"ר פנגפיי ליו, פרופסור חבר לגנטיקה מולקולרית ואנושית ומנהל קליני משותף ב-Baylor Genetics.
AIM מאומן באמצעות מסד נתונים ציבורי של גרסאות ידועות וניתוח גנטי בשם Model organism Aggregated Resources for Rare Variant Exploration (MARRVEL) שפותח בעבר על ידי צוות ביילור. מסד הנתונים של MARRVEL כולל יותר מ-3.5 מיליון גרסאות מאלפי מקרים מאובחנים. החוקרים מספקים ל-AIM נתונים ותסמינים של רצף האקסומים של החולים, ו-AIM מספקת דירוג של מועמדי הגנים הסבירים ביותר שגורמים למחלה הנדירה.
החוקרים השוו את התוצאות של AIM לאלגוריתמים אחרים ששימשו במאמרי השוואות האחרונים. הם בדקו את המודלים באמצעות שלוש קבוצות נתונים עם אבחנות מבוססות מבית Baylor Genetics, ה המכונים הלאומיים לבריאות– במימון רשת מחלות לא מאובחנות (UDN), ופרויקט פענוח הפרעות התפתחותיות (DDD). AIM דירג בעקביות את הגנים המאובחנים כמועמד מספר 1 במספר מקרים פי שניים מכל שיטות ההשוואה האחרות המשתמשות במערכות נתונים אלו בעולם האמיתי.
"אימנו את AIM לחקות את הדרך שבה בני אדם מקבלים החלטות, והמכונה יכולה לעשות זאת הרבה יותר מהר, יעיל יותר ובעלות נמוכה יותר. שיטה זו הכפילה למעשה את שיעור האבחון המדויק", אמר הסופר המתכתב ד"ר ז'אנדונג ליו, פרופסור חבר לרפואת ילדים – נוירולוגיה ב-Baylor וחוקר במכון המחקר הנוירולוגי של יאן ודן דאנקן (NRI) בבית החולים לילדים בטקסס.
AIM גם מציעה תקווה חדשה למקרי מחלה נדירים שנותרו לא פתורים במשך שנים. מאות גרסאות חדשות הגורמות למחלות שעשויות להיות המפתח לפתרון מקרי ההצטננות הללו מדווחות מדי שנה; עם זאת, קביעה אילו מקרים מצדיקים ניתוח מחדש היא מאתגרת בגלל כמות המקרים הגבוהה. החוקרים בדקו את האנליזה מחדש של האקסום הקלינית של AIM על מערך נתונים של מקרי UDN ו-DDD ומצאו כי היא הצליחה לזהות נכון 57% מהמקרים הניתנים לאבחון.
"אנו יכולים להפוך את תהליך הניתוח מחדש ליעיל הרבה יותר על ידי שימוש ב-AIM כדי לזהות מערך בעל ביטחון גבוה של מקרים שעלולים לפתור ולדחוף את המקרים הללו לבדיקה ידנית", אמר ג'אנדונג ליו. "אנו צופים שהכלי הזה יכול לשחזר מספר חסר תקדים של מקרים שלא נחשבו בעבר כניתנים לאבחון."
החוקרים בדקו גם את הפוטנציאל של AIM לגילוי מועמדים לגנים חדשים שלא נקשרו למחלה. AIM חזה נכון שני גנים של מחלה שדווחו לאחרונה כמועמדים מובילים בשני מקרי UDN.
"AIM הוא צעד חשוב קדימה בשימוש בבינה מלאכותית לאבחון מחלות נדירות. זה מצמצם את האבחנות הגנטיות המבדל לכמה גנים ויש לו את הפוטנציאל להנחות את גילוי הפרעות שלא היו ידועות בעבר", אמר הסופר המתכתב ד"ר הוגו בלן, פרופסור שירות מצטיין בגנטיקה מולקולרית ואנושית ב-Baylor ויו"ר לנוירוגנטיקה ב-Baylor. ה-Duncan NRI.
"בשילוב עם המומחיות העמוקה של מנהלי המעבדות הקליניות המוסמכות שלנו, מערכי נתונים מאוצרים במיוחד וטכנולוגיה אוטומטית ניתנת להרחבה, אנו רואים את ההשפעה של אינטליגנציה מוגברת לספק תובנות גנטיות מקיפות בקנה מידה, אפילו עבור אוכלוסיות החולים הפגיעות ביותר ומצבים מורכבים, " אמר הסופר הבכיר ד"ר פאן שיה, פרופסור חבר לגנטיקה מולקולרית ואנושית ב-Baylor וסגן נשיא לגנומיקה קלינית ב-Baylor Genetics. "על ידי יישום נתוני אימון מהעולם האמיתי מקבוצת Baylor Genetics ללא כל קריטריון הכללה, AIM הראתה דיוק מעולה. ביילור ג'נטיקס שואפת לפתח את הדור הבא של אינטליגנציה אבחנתית ולהביא זאת לפרקטיקה הקלינית".
מחברים אחרים של עבודה זו כוללים את Dongxue Mao, Chaozhong Liu, Linhua Wang, Rami AI-Ouran, Cole Deisseroth, Sasidhar Pasupuleti, Seon Young Kim, Lucian Li, Jill A.Rosenfeld, Linyan Meng, Lindsay C. Burrage, Michael Wangler, Shinya יאמאמוטו, מייקל סנטנה, ויקטור פרז, פרייאנק שוקלה, כריסטין אנג, ברנדן לי ובו יואן. הם קשורים לאחד או יותר מהמוסדות הבאים: מכללת ביילור לרפואה, המכון למחקר נוירולוגי של יאן ודן דאנקן בבית החולים לילדים בטקסס, האוניברסיטה הטכנית אל חוסיין, ביילור גנטיקה ומרכז ריצוף הגנום האנושי בביילר.
עבודה זו נתמכה על ידי יוזמת צ'אנג צוקרברג והמכון הלאומי להפרעות נוירולוגיות ושבץ (3U2CNS132415).
