Neue KI-Methode verbessert die Krankheitsrisiko-Vorhersage mithilfe biologischer Marker
EndoPRS kombiniert genetische Daten mit biologischen Markern, um das Asthmarisiko bei Kindern besser vorherzusagen, und übertrifft dabei bestehende Methoden.
Zusammenfassung
Forscher haben EndoPRS entwickelt, eine Machine-Learning-Methode, die die Vorhersage von Krankheitsrisiken verbessert, indem sie Endophänotypen einbezieht – biologische Marker, die mit der Krankheitsentstehung in Zusammenhang stehen. Bei Tests zur Vorhersage von Asthma im Kindesalter unter Verwendung von Eosinophilenzahlen übertraf EndoPRS bestehende polygene Risikoscore-Methoden sowohl in der Genauigkeit als auch in der Übertragbarkeit auf verschiedene Populationen deutlich. Dieser Ansatz behebt die Schwächen aktueller Multi-Trait-Methoden, die nicht berücksichtigen, wie bestimmte Merkmale die Krankheitsentwicklung vermitteln.
Detaillierte Zusammenfassung
Die Vorhersage von Krankheitsrisiken aus genetischen Daten ist zunehmend ausgereifter geworden, doch aktuelle Methoden übersehen wichtige biologische Zusammenhänge. Die meisten polygenen Risikoscores behandeln alle verwandten Merkmale gleich und ignorieren dabei, dass einige biologische Marker die Krankheitsentwicklung tatsächlich vermitteln, anstatt lediglich mit ihr zu korrelieren.
Forscher der University of North Carolina entwickelten EndoPRS, ein gewichtetes Lasso-Regressionsmodell, das Endophänotypen einbezieht – biologische Merkmale, die auf dem kausalen Pfad zwischen Genen und Krankheit liegen. Im Gegensatz zu bestehenden Multi-Trait-Methoden setzt EndoPRS keine spezifischen genetischen Architekturen voraus, was es robuster gegenüber verschiedenen Krankheitsmechanismen macht.
Bei der Testung zur Vorhersage von Asthma mit Beginn im Kindesalter verwendete das Team die Eosinophilenzahl (eine Art weißer Blutkörperchen) als Endophänotyp, da bekannt ist, dass erhöhte Eosinophilenwerte zur Asthmaentwicklung beitragen. EndoPRS wurde anhand der Datensätze UK Biobank und All of Us validiert und mit Standard-Polygenic-Risk-Scores sowie Multi-Trait-Methoden wie MTAG und wMT-BLUP verglichen.
EndoPRS verbesserte die Vorhersagegenauigkeit signifikant und zeigte im Vergleich zu bestehenden Methoden eine bessere Übertragbarkeit auf verschiedene Populationen. Der Ansatz erwies sich in Simulationsstudien über verschiedene genetische Architekturen hinweg als besonders robust, was auf eine breite Anwendbarkeit jenseits von Asthma hindeutet.
Dieser Fortschritt könnte die personalisierte Medizin verbessern, indem er genauere Krankheitsrisikovorhersagen ermöglicht – besonders wertvoll für Strategien zur Frühintervention. Die Fähigkeit der Methode, biologisches Wissen über Krankheitspfade einzubeziehen, stellt einen bedeutsamen Schritt hin zu klinisch nützlicheren genetischen Risikobewertungstools dar.
Wichtigste Erkenntnisse
- EndoPRS outperformed existing polygenic risk score methods for childhood asthma prediction
- Method showed superior transferability across different population datasets
- Approach remained robust across various genetic architecture scenarios in simulations
- Incorporating eosinophil count as endophenotype significantly improved asthma risk prediction
- Method doesn't require assumptions about underlying genetic relationships
Methodik
Gewichtetes Lasso-Regressionsmodell, das Endophänotyp-Daten mit genetischen Varianten verknüpft. Validiert anhand der UK Biobank- und All of Us-Datensätze mit Daten zu kindlichem Asthma-Beginn und Eosinophilenzahlen. Umfangreiche Simulationsstudien prüften die Robustheit über verschiedene genetische Architekturen hinweg.
Studienlimitierungen
Die Studie konzentrierte sich speziell auf Asthma und Eosinophile; breitere Krankheitsanwendungen müssen noch validiert werden. Die Methode setzt die Verfügbarkeit relevanter Endophänotyp-Daten voraus, die in klinischen Umgebungen nicht immer zugänglich sind.
Hat dir diese Zusammenfassung gefallen?
Erhalte die neueste Longevity-Forschung jede Woche in deinen Posteingang.
E-Mail-Adresse zum Abonnieren eingeben: