Nuevo método de IA mejora la predicción del riesgo de enfermedades mediante marcadores biológicos
EndoPRS combina datos genéticos con marcadores biológicos para predecir mejor el riesgo de asma infantil, superando a los métodos existentes.
Resumen
Los investigadores desarrollaron EndoPRS, un método de aprendizaje automático que mejora la predicción del riesgo de enfermedades incorporando endofenotipos —marcadores biológicos vinculados al desarrollo de enfermedades—. Al probarlo en la predicción del asma infantil mediante el recuento de eosinófilos, EndoPRS superó significativamente a los métodos existentes de puntuación de riesgo poligénico, tanto en precisión como en transferibilidad entre poblaciones. Este enfoque aborda las limitaciones de los métodos multirrasgo actuales, que no tienen en cuenta cómo ciertos rasgos median en el desarrollo de las enfermedades.
Resumen detallado
La predicción del riesgo de enfermedades a partir de datos genéticos se ha vuelto cada vez más sofisticada, pero los métodos actuales pasan por alto relaciones biológicas importantes. La mayoría de las puntuaciones de riesgo poligénico tratan todos los rasgos relacionados por igual, ignorando que algunos marcadores biológicos en realidad median el desarrollo de enfermedades en lugar de simplemente correlacionarse con él.
Investigadores de la Universidad de Carolina del Norte desarrollaron EndoPRS, un modelo de regresión lasso ponderada que incorpora endofenotipos —rasgos biológicos que se encuentran en la vía causal entre los genes y la enfermedad—. A diferencia de los métodos multirrasgo existentes, EndoPRS no asume arquitecturas genéticas específicas, lo que lo hace más robusto ante diferentes mecanismos de enfermedad.
Para probar la predicción del asma de inicio en la infancia, el equipo utilizó el recuento de eosinófilos (un tipo de glóbulo blanco) como endofenotipo, dado que se sabe que el aumento de eosinófilos contribuye al desarrollo del asma. Validaron EndoPRS utilizando los conjuntos de datos UK Biobank y All of Us, comparándolo con puntuaciones de riesgo poligénico estándar y métodos multirrasgo como MTAG y wMT-BLUP.
EndoPRS mejoró significativamente la precisión de predicción y demostró una mejor transferibilidad entre distintas poblaciones en comparación con los métodos existentes. El enfoque resultó particularmente robusto ante diversas arquitecturas genéticas en estudios de simulación, lo que sugiere una aplicabilidad amplia más allá del asma.
Este avance podría potenciar la medicina personalizada al proporcionar predicciones de riesgo de enfermedades más precisas, especialmente valiosas para estrategias de intervención temprana. La capacidad del método para incorporar conocimiento biológico sobre las vías de enfermedad representa un paso significativo hacia herramientas de evaluación del riesgo genético más útiles en la práctica clínica.
Hallazgos clave
- 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
Metodología
Modelo de regresión lasso ponderada que incorpora datos de endofenotipos con variantes genéticas. Validado mediante los conjuntos de datos UK Biobank y All of Us con datos de asma de inicio en la infancia y recuento de eosinófilos. Extensos estudios de simulación evaluaron la robustez en distintas arquitecturas genéticas.
Limitaciones del estudio
El estudio se centró específicamente en el asma y los eosinófilos; las aplicaciones a enfermedades más amplias requieren validación. El método requiere la disponibilidad de datos de endofenotipo relevantes, que pueden no siempre ser accesibles en entornos clínicos.
¿Te ha gustado este resumen?
Recibe la última investigación sobre longevidad en tu bandeja de entrada cada semana.
Introduce tu correo electrónico para suscribirte: