Forskare vid Icahn School of Medicine at Mount Sinai har utvecklat ett artificiellt intelligenssystem kallat V2P som inte bara bedömer om genetiska mutationer troligen är skadliga utan också förutsäger de breda sjukdomskategorier de kan orsaka. Metoden, som beskrivs i en artikel i Nature Communications, syftar till att påskynda genetisk diagnostik och stödja mer personanpassad behandling, särskilt för sällsynta och komplexa tillstånd.
Forskare vid Icahn School of Medicine at Mount Sinai har introducerat V2P, ett artificiellt intelligenssystem utformat för att täcka en långvarig lucka i genetisk analys.
De flesta befintliga verktyg fokuserar på att avgöra om en mutation är potentiellt skadlig, men stannar där utan att ange vilken typ av sjukdom som kan uppstå. V2P (Variant to Phenotype) är utformat för att gå längre genom att använda maskininlärning för att koppla genetiska varianter till deras förväntade fenotypiska utfall — det vill säga de breda typerna av sjukdomar eller egenskaper som en mutation kan producera, såsom nervsystemstörningar eller cancer, enligt Mount Sinai.
Modellen använder en multi-uppgift, multi-utdata maskininlärningsram som tränats på stora dataset med patogena och påstått benigna genetiska varianter kopplade till fenotypinformation. Denna träning gör det möjligt att uppskatta både om en variant är patogen eller benign och vilken av 23 toppnivå Human Phenotype Ontology sjukdomsfenotyper den mest troligt påverkar.
I utvärderingar som inkluderade de-identifierade patientsekvenseringsdata rankades V2P ofta den sanna sjukdomsorsakande mutationen bland de topp 10 kandidatvarianterna i ett givet fall, ett resultat som Mount Sinai-teamet säger kan hjälpa till att förenkla och påskynda diagnostikprocessen.
"Vår metod låter oss pinpointa de genetiska förändringarna som är mest relevanta för en patients tillstånd, istället för att sålla igenom tusentals möjliga varianter", sa David Stein, PhD, studiens försteförfattare, i ett uttalande från Mount Sinai. "Genom att bestämma inte bara om en variant är patogen utan också vilken typ av sjukdom den troligen orsakar, kan vi förbättra både hastigheten och noggrannheten i genetisk tolkning och diagnostik."
Medförfattare Avner Schlessinger, PhD, professor i farmakologiska vetenskaper och chef för AI Small Molecule Drug Discovery Center vid Icahn Mount Sinai, belyste verktygets potential bortom kliniska tester. "Bortom diagnostik kan V2P hjälpa forskare och läkemedelsutvecklare att identifiera gener och vägar som är mest tätt kopplade till specifika sjukdomar", sa han. "Detta kan vägleda utvecklingen av genetiskt anpassade terapier till sjukdomsmekanismer, särskilt vid sällsynta och komplexa tillstånd."
För närvarande sorterar V2P mutationer i breda sjukdomskategorier, inklusive nervsystemstörningar och neoplasi (cancrar). Forskningslaget planerar att förfina systemet så att det kan ge mer detaljerade förutsägelser och integrera dess resultat med ytterligare datakällor, med målet att ytterligare stödja måldiscovery och läkemedelsutveckling.
"V2P ger oss ett klarare fönster in i hur genetiska förändringar översätts till sjukdom, vilket har viktiga implikationer för både forskning och patientvård", sa Yuval Itan, PhD, medförfattare och biträdande professor i artificiell intelligens och mänsklig hälsa vid Icahn Mount Sinai. "Genom att koppla specifika varianter till de typer av sjukdomar de mest troligt orsakar, kan vi bättre prioritera vilka gener och vägar som förtjänar djupare undersökning. Detta hjälper oss att mer effektivt gå från förståelse av biologin till att identifiera potentiella terapeutiska tillvägagångssätt och, i slutändan, anpassa interventioner till en individs specifika genomprofil."
Arbetet, beskrivet i Nature Communications-artikeln "Expanding the utility of variant effect predictions with phenotype-specific models", leddes av Stein och medförfattarna Meltem Ece Kars, Baptiste Milisavljevic, Matthew Mort, Peter D. Stenson, Jean-Laurent Casanova, David N. Cooper, Bertrand Boisson, Peng Zhang, Schlessinger och Itan.
Enligt Mount Sinai stöddes forskningen av National Institutes of Health-bidrag R24AI167802 och P01AI186771, finansiering från Fondation Leducq, och Leona M. and Harry B. Helmsley Charitable Trust-bidrag 2209-05535. Ytterligare stöd kom från NIH-bidrag R01CA277794, R01HD107528 och R01NS145483, samt Clinical and Translational Science Awards-bidrag UL1TR004419 och infrastrukturbidrag S10OD026880 och S10OD030463.
Studiens författare och Mount Sinai-forskare säger att systemet främjar precisionsmedicin genom att tillhandahålla ett högkapacitets sätt att kartlägga humana genetiska varianter till troliga sjukdomsfenotyper, vilket potentiellt möjliggör snabbare, mer riktade interventioner baserat på en individs genetiska profil.
