Nature Medicine: ИИ прогнозирует, как генетические варианты влияют на здоровье

Предрасположенность к заболеваниям во многом зависит от генетических вариантов в нашем геноме. Особенно трудно определить влияние на проявление патологических признаков у редких генетических вариантов.

Исследователи из Немецкого центра изучения рака (DKFZ), Европейской лаборатории молекулярной биологии (EMBL) и Мюнхенского технического университета разработали алгоритм на основе глубокого обучения, который может предсказать влияние редких генетических вариантов. Этот метод позволяет более точно определять людей с высоким риском заболевания и облегчает идентификацию генов, связанных с развитием болезней.

У каждого человека геном отличается от генома других людей. Эти отличия называются вариантами. Многие из них связаны с определёнными признаками и заболеваниями.

Однако редкие варианты, которые встречаются в популяции с частотой 0,1% или меньше, часто не учитываются в исследованиях. Но именно они могут оказывать значительное влияние на проявление признака или заболевания. Поэтому изучение редких вариантов может помочь выявить гены, ответственные за развитие заболеваний, и впоследствии определить новые подходы к лечению.

Чтобы лучше предсказывать влияние редких вариантов, учёные из DKFZ и EMBL под руководством Оливера Стегла и Брайана Кларка, а также Джулиена Гагнера из Технического университета Мюнхена создали инструмент оценки риска на основе машинного обучения. DeepRVAT — первое применение искусственного интеллекта в исследованиях геномных ассоциаций для анализа редких генетических вариантов.

Модель была обучена на данных о последовательностях 161 000 человек из Биобанка Великобритании. В модель также включили информацию о биологических признаках отдельных людей и генах, которые влияют на эти признаки.

Для обучения использовали около 13 миллионов вариантов последовательностей с аннотациями, содержащими информацию о возможном влиянии варианта на клеточные процессы или структуру белка. Эти аннотации были важным элементом обучения.

DeepRVAT может определить, какие гены у человека работают неправильно из-за редких вариантов. Алгоритм использует индивидуальные данные для расчёта числового значения, которое показывает, насколько нарушена работа гена и как это может повлиять на здоровье.

Учёные проверили работу DeepRVAT на данных Биобанка Великобритании. Для 34 признаков, связанных с заболеваниями, метод тестирования выявил 352 ассоциации с соответствующими генами, что значительно больше, чем у других моделей. Результаты DeepRVAT оказались надёжными и лучше воспроизводились на независимых данных.

DeepRVAT помогает оценить генетическую предрасположенность к некоторым заболеваниям.

Объединение DeepRVAT с полигенным скорингом риска повысило точность прогнозов, особенно для вариантов с высоким риском. DeepRVAT распознаёт генетические корреляции для многих заболеваний, которые не были обнаружены с помощью существующих тестов.

DeepRVAT может значительно продвинуть персонализированную медицину. Этот метод работает с любыми признаками и сочетается с другими методами тестирования, — говорит специалист по обработке данных Оливер Стегл.

Команда планирует как можно скорее проверить инструмент оценки риска в крупномасштабных испытаниях и внедрить его в практику. Они уже общаются с организаторами выставки INFORM. Цель исследования — использовать геномные данные для подбора индивидуального лечения для детей с рецидивом рака. DeepRVAT поможет понять генетическую основу некоторых детских раковых заболеваний.

Жюльен Гагнер из Технического университета Мюнхена считает, что DeepRVAT может сильно повлиять на исследования редких заболеваний. Одна из главных проблем в этой области — нехватка систематизированных данных. Но с помощью искусственного интеллекта и полмиллиона экзомов из Биобанка Великобритании мы определили генетические варианты, которые сильнее всего нарушают работу генов.

DeepRVAT интегрируют в инфраструктуру Немецкого архива феномов генома человека (GHGA). Это облегчит его применение в диагностике и фундаментальных исследованиях.

DeepRVAT требует меньше вычислительных мощностей, чем аналогичные модели. Он доступен в виде удобного программного пакета, который можно использовать с предварительно обученными моделями оценки риска или собственными наборами данных исследователей для специализированных целей.

Результаты опубликованы в издании Nature Genetics.

25.09.2024