Ακόμη και με μόλις 700 δείγματα, η μέθοδος ‘Μηχανική Μάθηση Εξελικτικής Δράσης’ EAML μπόρεσε να ανακτήσει πάνω από το 50% των υποψηφίων που βρέθηκαν σε ολόκληρο το σύνολο δεδομένων, γεγονός που είναι σημαντικά καλύτερο από τους αλγορίθμους πρόβλεψης που χρησιμοποιούνται σήμερα.
Αλτσχάιμερ: Η νόσος του Alzheimer (ΝΑ) είναι μια σύνθετη νευροεκφυλιστική ασθένεια με γενετική και περιβαλλοντική προέλευση. Οι γυναίκες εμφανίζουν ταχύτερη γνωστική έκπτωση και εγκεφαλική ατροφία από τους άνδρες, ενώ οι άνδρες έχουν μεγαλύτερα ποσοστά θνησιμότητας. Χρησιμοποιώντας μια νέα μέθοδο μηχανικής μάθησης που ανέπτυξαν με την ονομασία ‘Μηχανική Μάθηση Εξελικτικής Δράσης’ “Evolutionary Action Machine Learning (EAML)”, ερευνητές του Baylor College of Medicine και του Ινστιτούτου Νευρολογικών Ερευνών Jan and Dan Duncan (Duncan NRI) στο Νοσοκομείο Παίδων του Τέξας ανακάλυψαν γονίδια και μοριακά μονοπάτια ειδικά για το φύλο που συμβάλλουν στην ανάπτυξη και την εξέλιξη αυτής της πάθησης. Η μελέτη δημοσιεύθηκε στο περιοδικό Nature Communications.
“Αναπτύξαμε ένα μοναδικό λογισμικό μηχανικής μάθησης που χρησιμοποιεί μια προηγμένη υπολογιστική μετρική πρόβλεψης που ονομάζεται βαθμολογία εξελικτικής δράσης (EA) ως χαρακτηριστικό γνώρισμα για τον εντοπισμό γενετικών παραγόντων που επηρεάζουν τον κίνδυνο εμφάνισης της νόσου AD ξεχωριστά σε άνδρες και γυναίκες”, δήλωσε ο Dr. Olivier Lichtarge, MD, Ph.D., καθηγητής βιοχημείας και μοριακής βιολογίας στο Baylor College of Medicine. “Η προσέγγιση αυτή μας επιτρέπει να αξιοποιήσουμε αποτελεσματικά έναν τεράστιο όγκο εξελικτικών δεδομένων, ώστε να μπορούμε πλέον να εξετάσουμε με μεγαλύτερη ακρίβεια μικρότερες κοόρτες και να εντοπίσουμε γονίδια που εμπλέκονται στις διαφορές της νόσου AD ανάλογα με το φύλο”. Η ‘Μηχανική Μάθηση Εξελικτικής Δράσης’ EAML είναι μια υπολογιστική προσέγγιση συνόλου που περιλαμβάνει εννέα αλγορίθμους μηχανικής μάθησης για την ανάλυση των λειτουργικών επιπτώσεων των μη συνώνυμων κωδικοποιητικών παραλλαγών, οι οποίες ορίζονται ως μεταλλάξεις του DNA που επηρεάζουν τη δομή και τη λειτουργία της πρωτεΐνης που προκύπτει, και εκτιμά την επιβλαβή επίδρασή τους στις βιολογικές διεργασίες χρησιμοποιώντας το σκορ εξελικτικής δράσης βαθμολογίας εξελικτικής δράσης (EA). Ο Lichtarge και η ομάδα του χρησιμοποίησαν τη ‘Μηχανική Μάθηση Εξελικτικής Δράσης’ EAML για να αναλύσουν τις κωδικοποιητικές παραλλαγές σε 2.729 ασθενείς με AD και 2.441 άτομα ελέγχου για να εντοπίσουν 98 γονίδια που σχετίζονται με την AD. Σε αυτά περιλαμβάνονταν αρκετά γονίδια που είναι γνωστό ότι διαδραματίζουν σημαντικό ρόλο στη βιολογία της AD, γεγονός που υποστήριξε τη γενική αξία του συνδυασμού της προσέγγισης της μηχανικής μάθησης με τις φυλογενετικές εξελικτικές πληροφορίες που ενσωματώνονται στην βαθμολογία εξελικτικής δράσης ΕΑ για τον εντοπισμό γονιδίων και μονοπατιών που συνδέονται με μια πολύπλοκη ασθένεια όπως η AD. Έδειξαν επίσης ότι τα γονίδια αυτά δημιουργούσαν λειτουργικές συνδέσεις και ανακάλυψαν ότι εκφράζονταν ανώμαλα στους εγκεφάλους της ΝΑ. Συγκεκριμένα μονοπάτια που εμπλέκονται μεσολαβούσαν σε μονοπάτια για τη νευροφλεγμονή και τη μικρογλοιακή και αστροκυτταρική βιολογία, σύμφωνα με την πιθανή εμπλοκή τους στην παθοφυσιολογία της ΝΑ.
Στη συνέχεια, συνεργάστηκαν με τον Dr. Ismael Al-Ramahi, τον Dr. Juan Botas και τις ομάδες τους στο Κέντρο για τη νόσο Αλτσχάιμερ και τις νευροεκφυλιστικές νόσους και το Duncan NRI, για να ελέγξουν τα ομόλογα των 98 υποψήφιων γονιδίων ‘Μηχανικής Μάθησης Εξελικτικής Δράσης’ EAML χρησιμοποιώντας δύο μοντέλα μύγας φρούτων της ΝΑ. Για τον σκοπό αυτό, χρησιμοποίησαν μια πλατφόρμα δοκιμών συμπεριφοράς με τη βοήθεια ρομπότ τελευταίας τεχνολογίας, η οποία επιτρέπει οθόνες υψηλής απόδοσης in vivo. Διαπίστωσαν ότι 36 γονίδια διαφοροποιούν τον εκφυλισμό που προκαλείται από το tau και 29 γονίδια διαφοροποιούν τον νευροεκφυλισμό που προκαλείται από το Aβ42. Σε αυτά περιλαμβάνονταν 9 γονίδια ικανά να βελτιώσουν τον νευροεκφυλισμό που προκαλείται τόσο από την Tau όσο και από την Aβ42, τις δύο πρωτεΐνες που είναι γνωστό ότι συσσωρεύονται στους ασθενείς με ΝΑ. Αυτό επικύρωσε σε μεγάλο βαθμό τη λειτουργική εμπλοκή των αναγνωρισμένων υποψηφίων στη διαμεσολάβηση της νευροεκφύλισης in vivo και ανέδειξε τις πιθανές θεραπευτικές οδούς που θα μπορούσαν να κερδηθούν με τη στόχευση αυτών των γονιδίων. Δεδομένου ότι ο στόχος της μελέτης αυτής ήταν να κατανοήσουν πώς η AD εκδηλώνεται και εξελίσσεται με διαφορετικό τρόπο σε άνδρες και γυναίκες, εφάρμοσαν στη συνέχεια την ανάλυση ‘Μηχανικής Μάθησης Εξελικτικής Δράσης’ EAML ξεχωριστά σε άνδρες και γυναίκες εντός αυτής της ομάδας. Βρήκαν 157 γονίδια που σχετίζονται με τη ΝΑ στους άνδρες και 127 στις γυναίκες. Τα γονίδια που εντοπίστηκαν σε αυτή τη μελέτη χωριστά ως προς το φύλο βρέθηκαν να συνδέονται στενότερα με τα γνωστά γονίδια GWAS της AD από ό,τι εκείνα που εντοπίστηκαν στις μελέτες συνδυασμένου φύλου. Τα ευρήματα αυτά υποδηλώνουν ότι η ανάλυση με διαχωρισμό φύλου αυξάνει την ευαισθησία του εντοπισμού γονιδίων που σχετίζονται με τη ΝΑ και βελτιώνει την ικανότητα πρόβλεψης του κινδύνου. Επιπλέον, ανακάλυψαν ότι ορισμένα βιολογικά μονοπάτια μπορεί να έχουν σημαντικότερο αντίκτυπο στην ανάπτυξη της AD για το ένα φύλο από ό,τι για το άλλο. Για παράδειγμα, βρέθηκε ότι οι υποψήφιοι ‘Μηχανικής Μάθησης Εξελικτικής Δράσης’ EAML ειδικά για τις γυναίκες εμπλέκονται σε μια ενότητα που σχετίζεται με τον έλεγχο του κυτταρικού κύκλου και τον έλεγχο της ποιότητας του DNA. “Ήμασταν ενθουσιασμένοι που βρήκαμε μια ομάδα γονιδίων που ήταν νευροπροστατευτικά στα θηλυκά και τα οποία συνδέονταν με το BRCA1, ένα γονίδιο γνωστό για τη συσχέτισή του με τον καρκίνο του μαστού. Τα ευρήματα αυτά υποδηλώνουν πιθανές βιολογικές συνδέσεις μεταξύ της ΝΑ και του καρκίνου του μαστού, δύο ασθενειών που είναι συχνότερες στις γυναίκες από ό,τι στους άνδρες”. δήλωσε ο Δρ Ismael Al-Ramahi. Τα ευρήματα αυτά θα μπορούσαν να έχουν σημαντικές επιπτώσεις στην ανάπτυξη θεραπευτικών στρατηγικών και στο σχεδιασμό κλινικών δοκιμών για τη ΝΑ με βάση το φύλο.
Επιπλέον, η μέθοδος ‘Μηχανική Μάθηση Εξελικτικής Δράσης’ EAML διατήρησε την προβλεπτική της ικανότητα με σταθερούς και ισχυρούς στόχους, ακόμη και όταν η ομάδα τη δοκίμασε με μικρότερα μεγέθη δείγματος. Ακόμη και με μόλις 700 δείγματα, η μέθοδος ‘Μηχανική Μάθηση Εξελικτικής Δράσης’ EAML μπόρεσε να ανακτήσει πάνω από το 50% των υποψηφίων που βρέθηκαν σε ολόκληρο το σύνολο δεδομένων, γεγονός που είναι σημαντικά καλύτερο από τους αλγορίθμους πρόβλεψης που χρησιμοποιούνται σήμερα. Οι συγγραφείς πιστεύουν ότι αυτή η αξιοσημείωτα βελτιωμένη ικανότητα θα επιτρέψει στους ερευνητές να χρησιμοποιούν μικρότερα σύνολα δεδομένων για να καταλήγουν σε ακριβείς και αξιόπιστες προβλέψεις, ανοίγοντας τον δρόμο για την ενσωμάτωση αναλύσεων με βάση το φύλο σε μελέτες συσχέτισης ασθενειών-γονιδίων που μπορεί να μην έχουν δώσει αξιόπιστα αποτελέσματα με τη χρήση γνωστών μεθόδων. “Η επιτυχία μας στη χρήση της ‘Μηχανικής Μάθησης Εξελικτικής Δράσης’ EAML για την εύρεση νέων στόχων για τη ΝΑ όχι μόνο παρέχει μια νέα προοπτική για τους γενετικούς παράγοντες που επηρεάζουν αυτή τη διαταραχή, αλλά υπογραμμίζει επίσης τη σημασία της συστηματικής εφαρμογής αναλύσεων ειδικά για το φύλο κατά τη μελέτη των συσχετίσεων νόσου-γονιδίου”, πρόσθεσε ο δρ Juan Botas, καθηγητής στο τμήμα Μοριακής και Ανθρώπινης Γενετικής στο Baylor. “Αυτή η καινοτόμος προσέγγιση έχει τη δυνατότητα να φέρει επανάσταση στην κατανόηση πολύπλοκων ασθενειών όπως η ΝΑ και να οδηγήσει στην ανάπτυξη εξατομικευμένων θεραπειών προσαρμοσμένων στη γενετική σύσταση κάθε ατόμου”.
Άλλοι που συμμετείχαν στη μελέτη είναι οι Thomas Bourquard, Kwanghyuk Lee, Minh Pham, Dillon Shapiro,Yashwanth Lagisetty,Shirin Soleimani, Samantha Mota, Kevin Wilhelm,Maryam Samieinasab,Young Won Kim,Eunna Huh, Jennifer Asmussen,και Παναγιώτης Κατσώνης. Συνεργάζονται με ένα ή περισσότερα από τα ακόλουθα ιδρύματα: Νευρολογικό Ερευνητικό Ινστιτούτο Jan and Dan Duncan στο Νοσοκομείο Παίδων του Τέξας, Ιατρική Σχολή McGovern του UTHealth.
Διαβάστε όλες τις τελευταίες Ειδήσεις για την υγεία από την Ελλάδα και τον ΚόσμοΑκολουθήστε το healthweb.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις
Ακολουθήστε το healthweb.gr στο κανάλι μας στο YouTube
