Novo Método de IA Melhora a Previsão de Risco de Doenças Usando Marcadores Biológicos
O EndoPRS combina dados genéticos com marcadores biológicos para prever melhor o risco de asma infantil, superando os métodos existentes.
Resumo
Pesquisadores desenvolveram o EndoPRS, um método de aprendizado de máquina que aprimora a predição de risco de doenças incorporando endofenótipos — marcadores biológicos associados ao desenvolvimento de doenças. Testado na predição de asma infantil com base em contagens de eosinófilos, o EndoPRS superou significativamente os métodos existentes de escores de risco poligênico tanto em precisão quanto em transferibilidade entre populações. Essa abordagem aborda as limitações dos métodos multi-característica atuais, que não consideram como determinados fatores medeiam o desenvolvimento de doenças.
Resumo Detalhado
A previsão de risco de doenças a partir de dados genéticos tornou-se cada vez mais sofisticada, mas os métodos atuais deixam de capturar relações biológicas importantes. A maioria dos escores de risco poligênico trata todos os traços relacionados de forma igualitária, ignorando que alguns marcadores biológicos, na verdade, mediam o desenvolvimento da doença em vez de simplesmente se correlacionarem com ela.
Pesquisadores da Universidade da Carolina do Norte desenvolveram o EndoPRS, um modelo de regressão lasso ponderada que incorpora endofenótipos — traços biológicos que se situam na via causal entre os genes e a doença. Ao contrário dos métodos multivariados existentes, o EndoPRS não pressupõe arquiteturas genéticas específicas, tornando-o mais robusto diante de diferentes mecanismos de doença.
Para testar a previsão de asma de início na infância, a equipe utilizou a contagem de eosinófilos (um tipo de glóbulo branco) como endofenótipo, uma vez que se sabe que o aumento de eosinófilos contribui para o desenvolvimento da asma. Eles validaram o EndoPRS usando os conjuntos de dados do UK Biobank e do All of Us, comparando-o com escores de risco poligênico padrão e métodos multivariados como MTAG e wMT-BLUP.
O EndoPRS melhorou significativamente a acurácia de previsão e demonstrou maior transferibilidade entre diferentes populações em comparação com os métodos existentes. A abordagem mostrou-se particularmente robusta em diversas arquiteturas genéticas nos estudos de simulação, sugerindo ampla aplicabilidade além da asma.
Esse avanço pode aprimorar a medicina personalizada ao fornecer previsões de risco de doenças mais precisas, especialmente valiosas para estratégias de intervenção precoce. A capacidade do método de incorporar conhecimento biológico sobre as vias de doenças representa um passo relevante em direção a ferramentas de avaliação de risco genético mais úteis na prática clínica.
Principais Descobertas
- 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
Modelo de regressão lasso ponderada incorporando dados de endofenótipos com variantes genéticas. Validado com os conjuntos de dados UK Biobank e All of Us, utilizando dados de asma de início na infância e contagem de eosinófilos. Estudos de simulação extensivos testaram a robustez em diferentes arquiteturas genéticas.
Limitações do Estudo
O estudo focou especificamente em asma e eosinófilos; aplicações para doenças mais amplas precisam de validação. O método requer disponibilidade de dados de endofenótipos relevantes, que nem sempre estão acessíveis em contextos clínicos.
Gostou deste resumo?
Receba as pesquisas de longevidade mais recentes na sua caixa de entrada toda semana.
Digite seu e-mail para assinar: