Zespół naukowców opublikował w „Nature Communications” przełomowe wyniki badań, w których zastosowano sztuczną inteligencję (AI) do analizy danych genomicznych związanych z chorobą Alzheimera (AD). Wykorzystując zaawansowane modele uczenia maszynowego, badacze nie tylko potwierdzili znane warianty ryzyka, lecz także zidentyfikowali sześć nowych loci genetycznych. Wyniki te rzucają nowe światło na złożoną architekturę genetyczną AD oraz dowodzą, że AI może skutecznie wspierać epidemiologię genetyczną w identyfikacji i prognozowaniu ryzyka choroby.
Z tego artykułu dowiesz się…
- Jakie możliwości daje sztuczna inteligencja w badaniach genetycznych nad chorobą Alzheimera.
- Jakie nowe geny ryzyka choroby Alzheimera udało się zidentyfikować dzięki modelom uczenia maszynowego.
- W czym modele AI przewyższają klasyczne metody, takie jak metaanalizy GWAS.
- Jakie są ograniczenia i potencjalne zastosowania AI w przewidywaniu ryzyka choroby Alzheimera.
Od ograniczeń PRS do potencjału AI
Dotychczasowe modele predykcyjne, takie jak poligenowe skale ryzyka (PRS), traktowały wpływ wariantów genetycznych w sposób addytywny i niezależny. Tymczasem złożone schorzenia, takie jak choroba Alzheimera, charakteryzują się licznymi interakcjami między genami oraz między genotypem, a środowiskiem. Modele AI, w tym sieci neuronowe i maszyny zwiększające gradient (GBM), mają potencjał uchwycenia tych nieliniowości.
Badacze podkreślają, że wraz ze wzrostem wielkości zbiorów danych genomowych, konieczne staje się wykorzystanie bardziej zaawansowanych narzędzi obliczeniowych. Uczenie maszynowe – choć dotychczas stosowane głównie w małych próbach – zyskuje teraz nowe możliwości dzięki większym kohortom i wzrostowi mocy obliczeniowej.
Trzy modele, trzy cele
W badaniu wykorzystano największy dostępny zbiór danych obejmujący cały genom AD. Naukowcy przetestowali trzy algorytmy:
- Gradient Boosting Machine (GBM)
- Sieci neuronowe oparte na szlakach biologicznych (NN)
- Model-Based Multifactor Dimensionality Reduction (MB-MDR)
Każdy z nich oceniano pod kątem zdolności do:
- Replikowania znanych wyników GWAS
- Odkrywania nowych loci genetycznych
- Prognozowania ryzyka choroby
Modele były rygorystycznie walidowane – stosowano krzyżową walidację, korekty dla zmiennych zakłócających i powtarzalne podziały danych testowych i treningowych.
Nowe geny, nowe możliwości
Modele ML skutecznie wykryły znane geny ryzyka, w tym APOE, identyfikując także wiodące SNP w regionach kluczowych dla rozwoju AD. Co istotne, mimo mniejszej liczebności próby (1/20 wielkości typowych metaanaliz GWAS), udało się powtórzyć 22% znanych wariantów genetycznych związanych z chorobą.
Największym przełomem było jednak wykrycie sześciu nowych loci, w tym w genach ARHGAP25, LY6H, COG7, AP4E1 i SOD1. Gen AP4E1 koduje białko związane z metabolizmem amyloidu, co potencjalnie wiąże się z tworzeniem patologicznych złogów w mózgu pacjentów z AD.
Modele ujawniły także związki SNP z funkcjami mikrogleju i astrocytów – komórek zaangażowanych w odpowiedź immunologiczną i przetwarzanie białek neurotoksycznych.
Prognozowanie ryzyka choroby
Wszystkie modele AI osiągały porównywalną skuteczność w przewidywaniu statusu choroby. GBM uzyskał najwyższą korelację z PRS i wykazał wysoką powtarzalność przy losowych podziałach prób. Co ciekawe, tylko ten model zachował równowagę płci w predykcjach, co stanowi istotną obserwację z punktu widzenia równości klinicznej.
Nowo zidentyfikowane SNP były biologicznie spójne z dotychczasową wiedzą – wiązały się z regulacją białka beta-amyloidu, receptorami acetylocholiny i przetwarzaniem białka tau – czyli głównymi mechanizmami patofizjologicznymi AD.
Znaczenie i ograniczenia
Nasze wyniki pokazują, że metody uczenia maszynowego mogą osiągnąć skuteczność predykcyjną porównywalną z klasycznymi podejściami w epidemiologii genetycznej – podsumowują autorzy badania.
Mimo sukcesów, naukowcy podkreślają ograniczenia związane z replikacją wyników w heterogenicznych populacjach. Część SNP wykrytych przez ML może mieć istotność tylko w określonych kontekstach – co utrudnia ich potwierdzenie w dużych, zróżnicowanych zbiorach zewnętrznych.
Różnice w sposobie, w jaki AI klasyfikuje znaczenie SNP (np. SHAP w GBM, permutacje w MB-MDR, wagi w NN), wskazują na fundamentalne rozbieżności między podejściami ML a klasycznymi statystykami GWAS.
👉 Wyniki oraz opis badań znajdziesz pod TYM LINKIEM
Główne wnioski
- Modele AI zidentyfikowały sześć nowych genów ryzyka choroby Alzheimera, w tym ARHGAP25, LY6H, COG7, AP4E1 i SOD1 – dotąd niepowiązanych z AD.
- Uczenie maszynowe skutecznie przewiduje ryzyko choroby, osiągając wyniki porównywalne z klasycznymi analizami GWAS przy znacznie mniejszej liczbie próbek.
- Nowe warianty genetyczne wiążą się z funkcjonowaniem mikrogleju, astrocytów i metabolizmem amyloidu, co podkreśla biologiczne znaczenie wyników AI.
- Badanie potwierdza wartość modeli AI jako uzupełnienia klasycznych metod genetycznych, ale zwraca uwagę na konieczność dalszej walidacji i replikacji wyników w różnych kohortach.
Źródło:
- Nature Communications
- News Medical
