Un model bazat pe inteligență artificială îmbunătățește precizia predicției riscului de diabet de tip 1
Cercetătorii au combinat genetica la scară largă cu tehnici de învățare automată pentru a descoperi modele de risc ascunse și subtipuri distincte de pacienți, ceea ce ar putea transforma modul în care diabetul de tip 1 este identificat și înțeles.
Un studiu publicat în revista Nature Genetics detaliază analiza asocierii genetice și utilizarea metodelor de învățare automată pentru a clasifica și estima riscul genetic de diabet de tip 1.
Diabetul de tip 1 este o boală metabolică cronică caracterizată prin distrugerea celulelor beta pancreatice, ceea ce duce la o producție insuficientă de insulină și la apariția hiperglicemiei (niveluri ridicate ale zahărului în sânge). Există dovezi care sugerează că boala se dezvoltă la indivizi predispuși genetic în urma expunerii la factori de mediu.
Deși diabetul de tip 1 apare de obicei în copilărie și adolescență, și adulții pot fi afectați. Autoanticorpii care vizează în mod special celulele pancreatice care secretă insulină sunt adesea utilizați ca biomarkeri pentru a prezice debutul clinic al diabetului de tip 1. Totuși, acești autoanticorpi sunt temporari și mai puțin frecvent întâlniți în cazurile de debut la adulți, ceea ce limitează predicția timpurie a bolii.
Pentru a îmbunătăți predicția riscului, cercetătorii s-au concentrat pe factorii genetici care pot identifica indivizii predispuși. Variantele genetice din genele Major Histocompatibility Complex (MHC) de tip I și II reprezintă cei mai mari factori de risc pentru diabetul de tip 1, iar moștenirea colectivă a acestor gene poate crește riscul de boală de până la 16 ori.
Au fost dezvoltate scoruri de risc genetic, utilizate pe scară largă pentru predicția timpurie a riscului de diabet de tip 1, ceea ce este esențial pentru prevenirea unor complicații precum cetoacidoza diabetică la diagnostic. În cadrul acestui studiu, cercetătorii de la Universitatea din California și Broad Institute au realizat o analiză a asocierii genetice și au folosit un model de învățare automată, T1GRS, pentru a îmbunătăți scorul de risc genetic standard pentru diabetul de tip 1.
Cercetătorii au efectuat un studiu de asociere la nivelul întregului genom în rândul a 20.355 de indivizi cu diabet de tip 1 și 797.363 de europeni non-diabetici. O analiză suplimentară a avut loc în jurul regiunii MHC, implicând 10.107 diabetici și 19.639 de indivizi non-diabetici, ceea ce a condus la identificarea mai multor semnale genetice de risc pentru diabetul de tip 1. Aceste semnale au fost utilizate pentru a antrena modelul de învățare automată pentru a identifica persoanele predispuși genetic la dezvoltarea diabetului de tip 1.
Modelul de învățare automată T1GRS a demonstrat o îmbunătățire a acurateței clasificării, având valori mai mari ale ariei sub curbă (AUC) în cadrul mai multor cohorte. Clasificarea a fost îmbunătățită în special în rândul indivizilor fără haplotipuri HLA de mare risc și a celor cu profile de risc genomic mai complexe în populațiile europene și afro-americane.
Modelul a arătat o sensibilitate de 89% și o specificitate de 84% pentru diabetul de tip 1 la un prag optim în setul de date de descoperire, având o eficacitate ridicată în diferențierea indivizilor cu diabet de cei fără. Cercetătorii au identificat variante genetice la 79 de loci cunoscuți și 8 loci anterior neraportați care nu au fost asociate anterior cu diabetul de tip 1.
Au fost utilizate un total de 199 de variante de risc pentru a antrena modelul de învățare automată, inclusiv variantele principale din 102 regiuni non-MHC. Folosind aceste variante identificate în întregul genom și în cadrul regiunii MHC, modelul a generat un scor T1GRS pentru a identifica persoanele cu risc de diabet de tip 1. Un avantaj esențial al modelului este abilitatea sa de a capta interacțiuni non-liniare între variantele genetice, identificând numeroase interacțiuni între loci MHC și non-MHC care contribuie la riscul de boală.
Analiza factorilor genetici care au influențat semnificativ scorul T1GRS al fiecărei persoane a condus la clasificarea indivizilor diabetici în patru subtipuri: îmbogățit cu celule T, îmbogățit cu MHC, îmbogățit cu pancreas și condus de MHC. Analiza a dezvăluit că indivizii cu variante genetice de mare risc bine cunoscute pentru diabetul de tip 1 sunt mai predispuși să dezvolte boala în copilărie (debut precoce).
Indivizii care purtau variante genetice atât în interiorul, cât și în afara regiunii MHC erau mai predispuși să experimenteze debutul bolii puțin mai târziu decât subtipul de debut precoce, având diferențe în contribuțiile genetice, mai degrabă decât diferențe clar definite în severitatea bolii. Similar, indivizii care purtau variante non-MHC îmbogățite cu semnale legate de imunitate erau mai predispuși să experimenteze o vârstă intermediară a debutului bolii.
Indivizii care purtau variante non-MHC îmbogățite cu semnale legate de celulele pancreatice erau mai predispuși să experimenteze o boală cu debut tardiv, având cea mai mare rată de complicații, inclusiv boli cardiovasculare, neurologice și boli cronice ale rinichilor.
Studiul subliniază importanța combinării informațiilor genetice cu modelul de învățare automată T1GRS pentru predicția timpurie a riscului de diabet de tip 1 atât la copii, cât și la adulți. Modelul poate prezice riscul de boală cu o acuratețe ridicată în rândul indivizilor și ancestrilor diverși, inclusiv a celor cu riscuri genetice mai complexe, și performează comparabil cu scorurile specifice ancestrale în populațiile afro-americane, fără a le depăși în mod clar.
Aceste caracteristici fac din T1GRS un instrument de screening clinic îmbunătățit comparativ cu scorurile de risc genetic anterioare, care prezic cel mai precis riscul de diabet de tip 1 în rândul indivizilor cu risc mai crescut, având o istorie familială îmbogățită și un debut precoce al bolii.
Pe baza scorurilor de risc genetic generate de T1GRS, studiul identifică patru subgrupuri genetice de indivizi cu o heterogenitate semnificativă în ceea ce privește caracteristicile clinice, cum ar fi vârsta de debut și riscul de complicații legate de diabet. Cercetătorii consideră că această subclasificare ar putea ajuta la ghidarea practicii clinice pentru diabetul de tip 1.
Deoarece atât factorii genetici, cât și cei de mediu pot influența fiziopatologia complexă a diabetului de tip 1, există limitări inerente în capacitatea predictivă a datelor genetice. Modelele de învățare automată care combină datele genetice cu semnalele moleculare influențate de factorii de mediu pot îmbunătăți și mai mult predicția riscului de boală atunci când datele genetice singure nu pot capta pe deplin riscul de boală.
