O diagnóstico de distúrbios mendelianos raros é uma tarefa trabalhosa, mesmo para geneticistas experientes. Investigadores do Baylor College of Medicine estão tentando tornar o processo mais eficiente usando inteligência artificial. A equipe desenvolveu um sistema de aprendizado de máquina chamado AI-MARRVEL (AIM) para ajudar a priorizar variantes potencialmente causadoras de distúrbios mendelianos. O estudo é publicado hoje na NEJM AI.
Pesquisadores do laboratório de diagnóstico clínico Baylor Genetics observaram que o módulo do AIM pode contribuir para previsões independentes do conhecimento clínico do gene de interesse, ajudando a avançar na descoberta de novos mecanismos de doenças. “A taxa de diagnóstico para distúrbios genéticos raros é de apenas cerca de 30%, e em média, leva seis anos desde o início dos sintomas até o diagnóstico. Há uma necessidade urgente de novas abordagens para aumentar a velocidade e a precisão do diagnóstico”, disse o coautor correspondente Dr. Pengfei Liu, professor associado de genética molecular e humana e diretor clínico associado da Baylor Genetics.
O AIM é treinado usando um banco de dados público de variantes conhecidas e análise genética chamada Model organism Aggregated Resources for Rare Variant ExpLoration (MARRVEL) desenvolvido anteriormente pela equipe de Baylor. O banco de dados MARRVEL inclui mais de 3,5 milhões de variantes de milhares de casos diagnosticados. Os pesquisadores fornecem ao AIM os dados da sequência do exoma e os sintomas dos pacientes, e o AIM fornece um ranking dos candidatos a genes mais prováveis que causam a doença rara.
Pesquisadores compararam os resultados do AIM com outros algoritmos usados em artigos de benchmark recentes. Eles testaram os modelos usando três coortes de dados com diagnósticos estabelecidos da Baylor Genetics, da Undiagnosed Diseases Network (UDN), financiada pelo National Institutes of Health, e do projeto Deciphering Developmental Disorders (DDD). O AIM consistentemente classificou os genes diagnosticados como o candidato nº 1 em duas vezes mais casos do que todos os outros métodos de benchmark usando esses conjuntos de dados do mundo real.
“Treinamos o AIM para imitar a forma como os humanos tomam decisões, e a máquina pode fazer isso de forma muito mais rápida, eficiente e a um custo menor. Este método efetivamente dobrou a taxa de diagnóstico preciso”, disse o coautor correspondente Dr. Zhandong Liu, professor associado de pediatria – neurologia na Baylor e investigador no Jan and Dan Duncan Neurological Research Institute (NRI) no Texas Children’s Hospital.
O AIM também oferece nova esperança para casos de doenças raras que permaneceram sem solução por anos. Centenas de novas variantes causadoras de doenças que podem ser a chave para a solução desses casos arquivados são relatadas todos os anos; no entanto, determinar quais casos justificam a reanálise é desafiador devido ao alto volume de casos. Os pesquisadores testaram a reanálise do exoma clínico do AIM em um conjunto de dados de casos UDN e DDD e descobriram que ele foi capaz de identificar corretamente 57% dos casos diagnosticáveis.
