Nuovo Metodo di IA Migliora la Previsione del Rischio di Malattia Attraverso Marcatori Biologici
EndoPRS combina dati genetici con marcatori biologici per prevedere meglio il rischio di asma infantile, superando i metodi esistenti.
Riepilogo
I ricercatori hanno sviluppato EndoPRS, un metodo di machine learning che migliora la previsione del rischio di malattia incorporando gli endofenotipi — marcatori biologici correlati allo sviluppo della malattia. Testato sulla previsione dell'asma infantile mediante il conteggio degli eosinofili, EndoPRS ha superato significativamente i metodi esistenti basati su polygenic risk score sia in termini di accuratezza che di trasferibilità tra popolazioni diverse. Questo approccio affronta i limiti degli attuali metodi multi-tratto, che non tengono conto di come alcuni tratti medino lo sviluppo della malattia.
Riepilogo Dettagliato
La previsione del rischio di malattia a partire da dati genetici è diventata sempre più sofisticata, ma i metodi attuali trascurano importanti relazioni biologiche. La maggior parte dei punteggi di rischio poligenico tratta tutti i tratti correlati allo stesso modo, ignorando che alcuni marcatori biologici svolgono effettivamente un ruolo mediatore nello sviluppo della malattia, anziché limitarsi a correlarsi con essa.
I ricercatori dell'Università della Carolina del Nord hanno sviluppato EndoPRS, un modello di regressione lasso ponderata che incorpora gli endofenotipi — tratti biologici che si collocano sul percorso causale tra i geni e la malattia. A differenza dei metodi multi-tratto esistenti, EndoPRS non presuppone architetture genetiche specifiche, risultando così più robusto rispetto a diversi meccanismi patologici.
Per testarne l'efficacia nella previsione dell'asma a insorgenza infantile, il team ha utilizzato la conta degli eosinofili (un tipo di globulo bianco) come endofenotipo, poiché è noto che livelli elevati di eosinofili contribuiscono allo sviluppo dell'asma. EndoPRS è stato validato utilizzando i dataset UK Biobank e All of Us, confrontandolo con i punteggi di rischio poligenico standard e con metodi multi-tratto come MTAG e wMT-BLUP.
EndoPRS ha migliorato significativamente l'accuratezza predittiva e ha mostrato una migliore trasferibilità tra popolazioni diverse rispetto ai metodi esistenti. L'approccio si è rivelato particolarmente robusto rispetto a diverse architetture genetiche negli studi di simulazione, suggerendo un'applicabilità estesa ben oltre l'asma.
Questo progresso potrebbe potenziare la medicina personalizzata fornendo previsioni del rischio di malattia più accurate, risultando particolarmente utile per le strategie di intervento precoce. La capacità del metodo di incorporare conoscenze biologiche sui meccanismi patologici rappresenta un passo significativo verso strumenti di valutazione del rischio genetico più utili in ambito clinico.
Risultati Principali
- 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
Metodologia
Modello di regressione lasso ponderata che incorpora dati sugli endofenotipi insieme a varianti genetiche. Validato utilizzando i dataset UK Biobank e All of Us con dati sull'asma ad esordio infantile e sul conteggio degli eosinofili. Ampi studi di simulazione hanno testato la robustezza del modello in diverse architetture genetiche.
Limitazioni dello Studio
Lo studio si concentra specificamente sull'asma e sugli eosinofili; le applicazioni ad altre patologie necessitano di validazione. Il metodo richiede la disponibilità di dati sull'endofenotipo rilevante, che potrebbero non essere sempre accessibili in ambito clinico.
Ti è piaciuto questo riepilogo?
Ricevi ogni settimana le ultime ricerche sulla longevità direttamente nella tua casella email.
Inserisci la tua email per iscriverti: