Kunstmatige intelligentie zal de prognose en behandeling van auto-immuunziekten verbeteren

Een nieuw geavanceerd algoritme voor kunstmatige intelligentie (AI) zou kunnen leiden tot nauwkeurigere en eerdere voorspellingen, evenals de ontwikkeling van nieuwe behandelingen voor auto-immuunziekten, waarbij het immuunsysteem ten onrechte de gezonde cellen en weefsels van het lichaam aanvalt. Het algoritme analyseert de genetische code die ten grondslag ligt aan deze aandoeningen om nauwkeuriger te modelleren hoe genen die geassocieerd worden met specifieke auto-immuunziekten tot expressie komen en gereguleerd worden, en om extra risicogenen te identificeren.

Het werk, ontwikkeld door een team onderzoekers van de University of Pennsylvania College of Medicine, overtreft bestaande methodologieën en identificeerde 26% meer nieuwe gen-kenmerkassociaties, zo melden de onderzoekers. Hun werk werd vandaag gepubliceerd in Nature Communications.

"We hebben allemaal mutaties in ons DNA en we moeten begrijpen hoe een van deze mutaties de expressie van ziektegerelateerde genen kan beïnvloeden, zodat we het risico op ziekte al vroeg kunnen voorspellen. Dit is vooral belangrijk voor auto-immuunziekten," zei Dajiang Liu, hoogleraar, vicevoorzitter voor onderzoek en directeur van kunstmatige intelligentie en biomedische informatica aan de University of Pennsylvania College of Medicine en medeauteur van de studie.

"Als een AI-algoritme het risico op ziekte nauwkeuriger kan voorspellen, betekent dit dat we eerder kunnen ingrijpen."

Genetica en ziekteontwikkeling

Genetica ligt vaak ten grondslag aan de ontwikkeling van ziektes. Variaties in DNA kunnen de genexpressie beïnvloeden, het proces waarbij informatie in DNA wordt omgezet in functionele producten zoals eiwitten. Hoe sterk of zwak een gen tot expressie komt, kan het risico op een ziekte beïnvloeden.

Genome-wide association studies (GWAS), een populaire benadering in onderzoek naar menselijke genetica, kunnen regio's van het genoom identificeren die geassocieerd worden met een bepaalde ziekte of eigenschap, maar kunnen geen specifieke genen aanwijzen die het risico op een ziekte beïnvloeden. Het is vergelijkbaar met het delen van je locatie met een vriend, maar dan zonder de fijnafstemming op je smartphone: de stad is misschien duidelijk, maar het adres is verborgen.

Bestaande methoden zijn ook beperkt in de details van de analyse. Genexpressie kan specifiek zijn voor bepaalde celtypen. Als de analyse geen onderscheid maakt tussen verschillende celtypen, kunnen de resultaten echte oorzaak-en-gevolgrelaties tussen genetische varianten en genexpressie missen.

EXPRESSO-methode

De methode van het team, genaamd EXPRESSO (EXpression PREdiction with Summary Statistics Only), maakt gebruik van een geavanceerder algoritme voor kunstmatige intelligentie en analyseert gegevens van kwantitatieve expressiesignaturen van mononucleaire cellen die genetische varianten koppelen aan de genen die ze reguleren.

Het integreert ook 3D-genomische gegevens en epigenetica, die meten hoe genen door de omgeving kunnen worden aangepast om ziekten te beïnvloeden. Het team heeft EXPRESSO toegepast op GWAS-datasets voor 14 auto-immuunziekten, waaronder lupus, de ziekte van Crohn en colitis ulcerosa en reumatoïde artritis.

"Met deze nieuwe methode konden we veel meer risicogenen voor auto-immuunziekten identificeren die echt celtypespecifieke effecten hebben, wat betekent dat ze alleen een bepaald type cel beïnvloeden en niet andere", zegt Bibo Jiang, assistent-professor van het University of Pennsylvania College of Medicine en senior auteur van de studie.

Potentiële therapeutische toepassingen

Het team gebruikte deze informatie om potentiële therapieën voor auto-immuunziekten te identificeren. Momenteel zijn er volgens hen geen goede behandelopties voor de lange termijn.

"De meeste behandelingen zijn erop gericht de symptomen te verlichten in plaats van de ziekte te genezen. Dit is een dilemma, wetende dat auto-immuunziekten een langdurige behandeling vereisen, maar dat bestaande behandelingen vaak zulke slechte bijwerkingen hebben dat ze op de lange termijn niet kunnen worden toegepast., genomica en AI bieden een veelbelovende weg naar de ontwikkeling van nieuwe therapieën", zegt Laura Carrel, hoogleraar biochemie en moleculaire biologie aan het University of Pennsylvania College of Medicine en co-auteur van de studie.

Het werk van het team heeft geleid tot medicijnverbindingen die genexpressie kunnen omkeren in celtypen die geassocieerd zijn met auto-immuunziekten, zoals vitamine K voor colitis ulcerosa en metformine, dat meestal voorgeschreven voor type 2 diabetes, voor type 1 diabetes. Deze medicijnen, die al door de Amerikaanse Food and Drug Administration (FDA) zijn goedgekeurd als veilig en effectief voor de behandeling van andere ziekten, kunnen mogelijk opnieuw worden gebruikt.

Het onderzoeksteam werkt samen met collega's om hun bevindingen in het laboratorium en uiteindelijk in klinische onderzoeken te testen.

Lida Wang, een promovendus in het biostatistiekprogramma, en Chakrit Khunsriraksakul, die in 2022 promoveerde in bio-informatica en genomica en in mei zijn medische graad behaalde aan de Universiteit van Pennsylvania, leidden het onderzoek. Andere auteurs van het University of Pennsylvania College of Medicine zijn onder meer Havell Marcus, die een M.D. En medische graad volgt; Deyi Chen, promovendus; Fan Zhang, afgestudeerde student; en Fang Chen, postdoctoraal onderzoeker. Xiaowei Zhang, assistent-professor aan het Southwestern Medical Center van de Universiteit van Texas, sloot zich ook aan bij het werk.