Nová studie o genetických příčinách poruch duševního zdraví

Správná diagnóza duševních poruch může být náročná, zejména pro malá batolata, která nejsou schopna vyplnit dotazníky nebo hodnotící škály. Tento problém byl zvláště akutní u málo prostudovaných menšinových populací. Minulé genomové výzkumy nalezly několik genomických signálů pro různé duševní poruchy, z nichž některé slouží jako potenciální terapeutické cíle. Algoritmy hlubokého učení byly také použity k úspěšné diagnostice komplexních onemocnění, jako je porucha pozornosti s hyperaktivitou (ADHD). Tyto nástroje však byly zřídka aplikovány u velkých populací afroamerických pacientů.

V unikátní studii vědci vytvořili data sekvenování celého genomu ze 4,179 1,384 vzorků krve pacientů afroamerických pacientů, včetně XNUMX XNUMX pacientů, u kterých byla diagnostikována alespoň jedna duševní porucha. Tato studie se zaměřila na osm běžných duševních poruch, včetně ADHD, deprese, úzkosti , porucha autistického spektra, mentální postižení, porucha řeči/jazyka, opožděný vývoj a porucha opozičního vzdoru (ODD). Dlouhodobým cílem této práce je dozvědět se více o specifických rizicích pro rozvoj určitých onemocnění v afroamerické populaci a jak potenciálně zlepšit zdravotní výsledky zaměřením se na personalizovanější přístupy k léčbě.

„Většina studií se zaměřuje pouze na jednu nemoc a menšinové populace byly ve stávajících studiích, které využívají strojové učení ke studiu duševních poruch, velmi nedostatečně zastoupeny,“ řekl hlavní autor Hakon Hakonarson, MD, PhD, ředitel Centra pro aplikovanou genomiku na CHOP. . "Chtěli jsme otestovat tento model hlubokého učení u afroamerické populace, abychom zjistili, zda dokáže přesně odlišit pacienty s duševní poruchou od zdravých kontrol a zda dokážeme správně označit typy poruch, zejména u pacientů s více poruchami."

Algoritmus hlubokého učení hledal zátěž genomických variant v kódujících a nekódujících oblastech genomu. Model prokázal přes 70% přesnost v rozlišení pacientů s duševními poruchami od kontrolní skupiny. Algoritmus hlubokého učení byl stejně účinný při diagnostice pacientů s více poruchami, přičemž model poskytoval přesné diagnostické shody v přibližně 10 % případů.

Model také úspěšně identifikoval mnohočetné genomové oblasti, které byly vysoce obohaceny o duševní poruchy, což znamená, že se s větší pravděpodobností podílely na rozvoji těchto zdravotních poruch. Zapojené biologické dráhy zahrnovaly dráhy spojené s imunitními reakcemi, vazbou antigenu a nukleové kyseliny, chemokinovou signální dráhou a proteinovými receptory vázajícími guaninnukleotid. Vědci však také zjistili, že varianty v oblastech, které nekódovaly proteiny, se zdály být zapojeny do těchto poruch s vyšší frekvencí, což znamená, že mohou sloužit jako alternativní markery.

"Identifikace genetických variant a souvisejících cest může budoucí výzkum zaměřený na charakterizaci jejich funkce poskytnout mechanistický pohled na to, jak se tyto poruchy vyvíjejí," řekl Hakonarson.

Tento výzkum byl podpořen fondy institucionálního rozvoje od CHOP do Centra pro aplikovanou genomiku a Dětské nemocnice ve Philadelphii, která je dotována katedrou genomického výzkumu.