Il Machine Learning Svela l'Architettura Genetica Nascosta della Malattia di Alzheimer

Il morbo di Alzheimer (AD) è la causa più comune di demenza a livello globale, tuttavia la sua complessa architettura poligenica fa sì che gli studi di associazione sull'intero genoma (GWAS) standard riescano a catturare solo una frazione del rischio ereditabile. Questo studio, pubblicato su Nature Communications, ha valutato sistematicamente se gli approcci di machine learning (ML) possano integrare o superare i metodi convenzionali di genetica statistica nell'identificazione dei fattori di rischio genetico dell'AD a partire da dati di coorte europei su larga scala.

I ricercatori hanno assemblato un dataset multi-coorte tratto dall'European Alzheimer's Disease Biobank (EADB) e da consorzi correlati, comprendente decine di migliaia di casi di AD diagnosticati clinicamente e controlli abbinati per età con dati SNP sull'intero genoma. Hanno confrontato un ampio pannello di algoritmi di ML — tra cui random forest, gradient boosting machine (XGBoost/LightGBM), reti neurali profonde, support vector machine e framework di integrazione dei punteggi poligenici — con la regressione logistica standard dei GWAS e con i metodi consolidati di punteggio di rischio poligenico (PRS).

I risultati principali hanno dimostrato che i metodi ML a ensemble, in particolare il gradient boosting e i random forest, hanno catturato interazioni non lineari tra SNP ed effetti epistatici che i GWAS lineari non sono in grado di rilevare. Dalle analisi basate su ML sono emersi come significativi diversi loci genomici nuovi che non avevano raggiunto le soglie di significatività genome-wide nei GWAS standard, con un arricchimento in pathway correlati all'attivazione microgliale, alla cascata del complemento, al trasporto del colesterolo (inclusi geni nel vicinato regolatorio di APOE) e al ciclo delle vescicole sinaptiche. I modelli di deep learning addestrati su matrici di genotipo grezze hanno mostrato un miglioramento modesto ma consistente nella discriminazione casi-controlli (incrementi dell'AUC dell'1–3%) rispetto al solo PRS, quando validati su coorti di test indipendenti.

Lo studio ha inoltre valutato le metriche di importanza delle variabili nei diversi modelli, rilevando che il dosaggio dell'allele APOE ε4 dominava le predizioni come atteso, ma che la sua rimozione rivelava un panorama più ricco di loci secondari che contribuiscono cumulativamente al rischio. Strumenti di interpretabilità (valori SHAP) sono stati applicati agli output delle reti neurali, consentendo di recuperare parzialmente il segnale biologico e di migliorare la fiducia scientifica nei modelli a scatola nera. L'arricchimento dei gene set per le varianti prioritizzate dal ML ha confermato la biologia nota dell'AD, segnalando al contempo geni poco esplorati nel trafficking endosomiale e nella neuroinfiammazione.

Gli autori concludono che i metodi ML rappresentano complementi preziosi — e non sostituti — dei GWAS classici nella genetica dell'AD. Forniscono un framework pratico e una pipeline di benchmarking open-source per il settore, avvertendo tuttavia che dataset più ampi e con maggiore diversità ancestrale saranno indispensabili per validare i risultati derivati dal ML e garantire l'applicabilità equa di qualsiasi futuro strumento di valutazione del rischio genetico.