Investigadores de la Icahn School of Medicine at Mount Sinai han desarrollado un sistema de inteligencia artificial llamado V2P que no solo evalúa si las mutaciones genéticas son probablemente perjudiciales, sino que también predice las amplias categorías de enfermedades que pueden causar. El enfoque, descrito en un artículo en Nature Communications, busca acelerar el diagnóstico genético y respaldar tratamientos más personalizados, especialmente para afecciones raras y complejas.
Científicos de la Icahn School of Medicine at Mount Sinai han presentado V2P, un sistema de inteligencia artificial diseñado para abordar una brecha de larga data en el análisis genético.
La mayoría de las herramientas existentes se centran en determinar si una mutación es potencialmente dañina, pero no indican qué tipo de enfermedad puede resultar. V2P (Variant to Phenotype) está diseñado para ir más allá utilizando aprendizaje automático para conectar variantes genéticas con sus resultados fenotípicos esperados, es decir, los amplios tipos de enfermedades o rasgos que una mutación puede producir, como trastornos del sistema nervioso o cánceres, según Mount Sinai.
El modelo utiliza un marco de aprendizaje automático multi-tarea y multi-salida entrenado en grandes conjuntos de datos de variantes genéticas patogénicas y supuestamente benignas emparejadas con información fenotípica. Este entrenamiento le permite estimar tanto si una variante es patogénica o benigna como cuál de las 23 categorías principales de fenotipos de enfermedades de la Human Phenotype Ontology es más probable que afecte.
En evaluaciones que incluyeron datos de secuenciación de pacientes desidentificados, V2P clasificó frecuentemente la mutación causante de la enfermedad verdadera entre las 10 principales variantes candidatas en un caso dado, un resultado que el equipo de Mount Sinai dice que podría ayudar a agilizar y acelerar el proceso diagnóstico.
"Nuestro enfoque nos permite identificar los cambios genéticos más relevantes para la condición de un paciente, en lugar de revisar miles de variantes posibles", dijo David Stein, PhD, primer autor del estudio, en un comunicado emitido por Mount Sinai. "Al determinar no solo si una variante es patogénica, sino también el tipo de enfermedad que probablemente cause, podemos mejorar tanto la velocidad como la precisión de la interpretación y el diagnóstico genético."
El coautor principal Avner Schlessinger, PhD, Profesor de Ciencias Farmacológicas y Director del AI Small Molecule Drug Discovery Center en Icahn Mount Sinai, destacó el potencial de la herramienta más allá de las pruebas clínicas. "Más allá del diagnóstico, V2P podría ayudar a investigadores y desarrolladores de fármacos a identificar los genes y vías más estrechamente vinculados a enfermedades específicas", dijo. "Esto puede guiar el desarrollo de terapias genéticamente adaptadas a los mecanismos de la enfermedad, particularmente en afecciones raras y complejas."
Por el momento, V2P clasifica las mutaciones en amplias categorías de enfermedades, incluyendo trastornos del sistema nervioso y neoplasias (cánceres). El equipo de investigación planea refinar el sistema para que pueda hacer predicciones más detalladas e integrar sus resultados con fuentes de datos adicionales, con el objetivo de respaldar aún más el descubrimiento de objetivos y el desarrollo de fármacos.
"V2P nos da una ventana más clara sobre cómo los cambios genéticos se traducen en enfermedad, lo que tiene importantes implicaciones tanto para la investigación como para la atención al paciente", dijo Yuval Itan, PhD, coautor principal y Profesor Asociado de Inteligencia Artificial y Salud Humana en Icahn Mount Sinai. "Al conectar variantes específicas con los tipos de enfermedades que es más probable que causen, podemos priorizar mejor qué genes y vías merecen una investigación más profunda. Esto nos ayuda a avanzar de manera más eficiente desde la comprensión de la biología hasta la identificación de enfoques terapéuticos potenciales y, en última instancia, la adaptación de intervenciones al perfil genómico específico de un individuo."
El trabajo, descrito en el artículo de Nature Communications "Expanding the utility of variant effect predictions with phenotype-specific models", fue liderado por Stein y coautores Meltem Ece Kars, Baptiste Milisavljevic, Matthew Mort, Peter D. Stenson, Jean-Laurent Casanova, David N. Cooper, Bertrand Boisson, Peng Zhang, Schlessinger e Itan.
Según Mount Sinai, la investigación fue apoyada por subvenciones de los National Institutes of Health R24AI167802 y P01AI186771, fondos de la Fondation Leducq, y la subvención 2209-05535 del Leona M. and Harry B. Helmsley Charitable Trust. Apoyo adicional provino de subvenciones NIH R01CA277794, R01HD107528 y R01NS145483, así como la subvención Clinical and Translational Science Awards UL1TR004419 e infraestructuras S10OD026880 y S10OD030463.
Los autores del estudio e investigadores de Mount Sinai dicen que el sistema avanza la medicina de precisión al proporcionar una manera de alto rendimiento para mapear variantes genéticas humanas a fenotipos de enfermedades probables, potencialmente permitiendo intervenciones más rápidas y dirigidas basadas en el perfil genético de un individuo.
