人工智能利用新的遗传工具预测自身免疫性疾病的进展 - 神经科学新闻

概括：研究人员利用人工智能开发了遗传进展评分（GPS）来预测自身免疫性疾病从临床前症状到全面疾病的进展。GPS模型整合了遗传数据和电子健康记录，提供个性化风险评分，与现有模型相比，预测精度提高了25%至1,000%。

这种方法可以更早地识别出风险较高的个体，从而能够及时进行干预和更好的疾病管理。该框架还可以用于研究其他代表性不足的疾病，为个性化医疗和健康公平提供突破。

关键事实：

• GPS 整合遗传研究和生物库数据来完善疾病进展预测。
• 该模型优于其他 20 种方法，显着提高了预测精度。
• 及早识别高危人群可以采取主动干预和治疗。

来源：宾夕法尼亚州立大学

自身免疫性疾病是指免疫系统错误地攻击人体自身的健康细胞和组织，在诊断前通常有一个临床前阶段，其特征是轻微症状或血液中存在某些抗体。

然而，对于某些人来说，这些症状可能会在完全疾病阶段之前消失。

由宾夕法尼亚州立大学医学院研究人员领导的一个团队表示，了解谁可能沿着疾病途径进展对于早期诊断和干预、改善治疗和更好的疾病管理至关重要，该团队开发了一种预测自身免疫性疾病进展的新方法在那些有临床前症状的人中。

该团队使用人工智能（AI）来分析来自电子健康记录和自身免疫性疾病患者的大型基因研究的数据，从而得出风险预测评分。

与现有模型相比，该方法在确定谁的症状将发展为晚期疾病方面的准确度提高了 25% 至 1,000%。

研究小组本周（1 月 2 日）在期刊上发表了他们的研究结果 自然通讯。

– 通过针对更相关的人群（有家族史或正在经历早期症状的人），我们可以使用机器学习来识别患病风险最高的患者，然后确定可能能够减缓病情的合适疗法减缓疾病的进展。

“这是很多更有意义、更可操作的信息，”宾夕法尼亚州立大学医学院杰出教授、研究副主席、人工智能和生物医学信息学主任、该书的共同主要作者刘大江说道。学习。

根据美国国立卫生研究院的数据，大约 8% 的美国人患有自身免疫性疾病，其中绝大多数是女性。刘说，越早发现疾病并进行干预越好，因为一旦自身免疫性疾病进展，损害可能是不可逆转的。

在个人得到诊断之前，通常会出现疾病的迹象。例如，研究人员解释说，在类风湿性关节炎患者中，可以在症状出现前五年在血液中检测到抗体。

预测疾病进展的挑战在于样本量。患有特定自身免疫性疾病的人群相对较少。刘说，由于可用数据较少，开发准确的模型和算法变得更加困难。

为了提高预测准确性，研究小组开发了一种新方法，称为遗传进展评分或 GPS，来预测从临床前阶段到疾病阶段的进展。GPS 充分利用了迁移学习背后的理念，这是一种机器学习技术，其中模型针对一个任务或数据集进行训练，然后针对不同但相关的任务或数据集进行微调，该大学公共卫生科学助理教授 Bibo Jiang 解释道。宾夕法尼亚州立大学医学院和该研究的主要作者。

它使研究人员能够从较小的数据样本中收集更好的信息。

例如，在医学成像中，可以训练人工智能模型来判断肿瘤是癌性的还是非癌性的。为了创建训练数据集，医学专家需要一张一张地标记图像，这可能非常耗时，并且受到可用图像数量的限制。

刘说，相反，迁移学习使用更多、更容易标记的图像，例如猫和狗，并创建更大的数据集。该任务也可以外包。该模型学会区分动物，然后可以对其进行改进以区分恶性肿瘤和良性肿瘤。

“你不需要从头开始训练模型，”刘说。

– 模型从图像中分割元素以确定它是猫还是狗的方式是可转移的。通过一些调整，您可以优化模型以将肿瘤图像与正常组织图像分开。

GPS 使用大型病例对照全基因组关联研究 (GWAS) 的数据进行训练，GWAS 是人类遗传学研究中的一种流行方法，用于识别患有特定自身免疫性疾病的人与未患有特定自身免疫性疾病的人之间的遗传差异，并检测潜在的风险因素。

它还整合了来自基于电子健康记录的生物库的数据，其中包含有关患者的丰富信息，包括遗传变异、实验室测试和临床诊断。

这些数据可以帮助识别处于临床前阶段的个体，并描述从临床前阶段到疾病阶段的进展阶段。然后整合两个来源的数据以完善 GPS 模型，纳入与疾病实际发展相关的因素。

“整合大型病例对照研究和生物样本库借鉴了病例对照研究大样本量的优势，并提高了预测准确性，”刘说，并解释说，GPS 得分高的人从临床前进展到临床前阶段的风险更高。疾病阶段。

该团队使用范德比尔特大学生物库的真实数据来预测类风湿关节炎和狼疮的进展，然后使用美国国立卫生研究院的健康数据计划“我们所有人生物库”的数据验证 GPS 风险评分。

与仅依赖生物库或病例对照样本以及通过其他方法结合生物库和病例对照样本的其他 20 个模型相比，GPS 可以更好地预测疾病进展。

Liu 说，使用 GPS 准确预测疾病进展可以实现早期干预、有针对性的监测和个性化治疗决策，从而改善患者的治疗结果。它还可以通过识别最有可能从新疗法中受益的个体来改进临床试验设计和招募。

虽然这项研究的重点是自身免疫性疾病，但研究人员表示，类似的框架可用于研究其他疾病类型。

– 当我们谈论代表性不足的人群时，这不仅仅是种族问题。它也可能是医学文献中未充分研究的一组患者，因为它们仅包含典型数据集的一小部分。人工智能和迁移学习可以帮助我们研究这些人群，并有助于减少健康差距。”刘说。

– 这项工作反映了宾夕法尼亚州立大学在自身免疫性疾病方面综合研究项目的实力。 –

Liu 和 Jiang — 与研究共同作者生物化学和分子生物学教授 Laura Carrel、皮肤病学副教授 Galen Foulke、H. Thomas 的 Nancy Olsen 和风湿病学主席 Dorothy Willits Hallowell — 组成了自身免疫工作组并已合作近十年。

他们领导创新的临床试验，进行研究以了解自身免疫性疾病的生物学机制，并开发人工智能方法来解决与自身免疫性疾病相关的各种问题。

宾夕法尼亚州立大学生物信息学和基因组学博士学位的 Chen Wang 和医学博士/博士医学科学家培训项目的联合学位学生 Havell Markus 是该研究的共同第一作者。

该论文的其他宾夕法尼亚州立大学作者包括：Avantika R. Diwadkar，研究生；Chachrit Khunsriraksakul，在研究期间毕业于医学博士/博士医学科学家培训项目；Xingyan Wang，在研究期间担任宾夕法尼亚州立大学医学院的研究助理。

其他贡献者包括范德比尔特大学医学院分子生理学和生物物理学教授李冰山和遗传医学研究助理教授钟雪；詹晓伟，德克萨斯大学西南医学中心公共卫生副教授。

资金：这项研究得到了美国国立卫生研究院（包括国家过敏和传染病研究所数据科学和新兴技术办公室）的资助。

关于人工智能和神经学研究新闻

作者：克里斯汀·余
来源：宾夕法尼亚州立大学
接触：Christine Yu — 宾夕法尼亚州立大学
图像：该图像来自《神经科学新闻》

原创研究：开放访问。
—整合电子健康记录和 GWAS 摘要统计，从临床前阶段预测自身免疫性疾病的进展— 刘大江等人。自然通讯

抽象的

整合电子健康记录和 GWAS 摘要统计，从临床前阶段预测自身免疫性疾病的进展

自身免疫性疾病在诊断前通常表现出临床前阶段。基于电子健康记录 (EHR) 的生物库包含遗传数据和诊断信息，可以识别有进展风险的临床前个体。

生物样本库的病例数量通常较少，不足以构建准确的多基因风险评分 (PRS)。重要的是，进展和病例对照表型可能具有共同的遗传基础，我们可以利用它来提高预测准确性。

我们提出了一种新方法“遗传进展评分”（GPS），该方法结合了生物样本库和病例对照研究来预测疾病进展风险。通过惩罚回归，GPS 将病例对照研究的 PRS 权重合并为先验，并强制模型参数与先验相似（如果先验提高了预测精度）。

在模拟中，GPS 始终比仅依赖生物库或病例对照样本以及结合生物库和病例对照样本的替代策略产生更好的预测准确性。

当生物样本库样本较小或遗传相关性较低时，这种改善尤其明显。我们在 BioVU 生物库中推导出临床前类风湿性关节炎和系统性红斑狼疮进展的 PRS，并在 我们所有人。

对于这两种疾病，GPS 实现了最高的预测 R2，并且由此产生的 PRS 与进展患病率具有最强的相关性。