Gen Med | AI遗传筛查快速诊断儿童罕见疾病
原创 图灵基因 图灵基因 今天
收录于话题#前沿生物大数据分析
根据犹他大学 (U Of U)Health, Fabric Genomics的研究人员以及圣地亚哥Rady儿童医院领导的一项研究的合作者的一份报告，一种基于人工智能（AI）的技术可以快速准确地诊断危重儿童的罕见疾病。
发表在《Genomic Medicine》上的这一发现（“Artificial intelligence enables comprehensive genome interpretation and nomination of candidate diagnoses for rare genetic diseases”），预示了医学的下一个阶段，科学家们表示，在这一阶段，技术可以帮助临床医生快速确定疾病的根本原因，从而能够更快地为患者提供正确的治疗。
“这项研究是一个令人兴奋的里程碑，展示了来自人工智能决策支持技术的快速洞察力有可能显着改善患者护理。”该论文的共同通讯作者Mark Yandell博士说。Yandell是U of U Health的人类遗传学教授和Edna Benning PresidentialEndowed Chair，也是Fabric的创始科学顾问。
“在患者表型的背景下对遗传变异的临床解释正在成为基于基因组的罕见遗传疾病诊断成本和时间支出的最大组成部分。人工智能 (AI) 有望通过将预测方法与不断增长的遗传疾病知识相结合，大大简化和加快基因组解释。在这里，我们评估了Fabric GEM的诊断性能，这是一种基于AI的新型临床决策支持工具，用于加快基因组解释。”研究人员写道。
“我们在一个由119名先证者组成的回顾性队列中对GEM进行了基准测试，其中大部分是NICU（新生儿重症监护病房）婴儿，他们被诊断患有罕见的遗传疾病，他们接受了全基因组或全外显子组测序（WGS，WES）。我们在从五个学术医疗中心收集的60例病例的单独队列中重复了我们的分析。为了进行比较，我们还使用当前最先进的变量优先级工具分析了这些病例。比较中包括三人组、二人组和一人组病例。”
“支持诊断的变异跨越了不同的遗传模式和类型，包括结构变异（SV）。通过两种方法从临床记录中提取患者表型：手动和使用自动临床自然语言处理（CNLP）工具。最后，最后，对14例以前未解决的病例进行了重新分析。”
“GEM将90%以上的致病基因排在第一位或第二位候选基因中，并使用手动策划或CNLP衍生的表型描述对每个病例的中位数3个候选基因进行优先审查。当作为单例分析时，三人组和二人组基因的排名没有变化。在20例确诊SV的病例中，GEM确定了17个致病基因SV作为第一候选者，在前五名的19/20中，无论GEM是否使用其自己的内部SV检测算法提供或从头推断出SV调用。
“在没有亲本基因型的情况下，GEM表现出类似的表现。对14个以前未解决的病例进行分析，发现1个病例有一个新的发现，3个病例的候选者在人工审查后最终没有进展，10个病例没有新的发现。”
“GEM通过自动提名简短的候选基因和疾病列表以供最终审查和报告，从而实现了包括所有变异类型的诊断解释。结合CNLP的深层表型分析，GEM实现了遗传疾病诊断的实质性自动化，有可能降低成本并加快病例审查。”
全世界每年约有700万婴儿出生时患有严重的遗传性疾病。对于这些孩子来说，生命通常始于重症监护。包括U of U Health在内的少数美国新生儿重症监护病房，现在正在通过读取或测序构成人类基因组的30亿个DNA字母来寻找疾病的遗传原因。虽然对整个基因组进行测序需要数小时，但诊断疾病可能需要数天或数周的计算和手动分析。
Yandell说，对于一些婴儿来说，这还不够快。了解新生儿疾病的原因对于有效治疗至关重要。在出生后的前24至48小时内得到诊断，为这些患者提供了改善病情的最佳机会。由于知道速度和准确性至关重要，Yandell的团队与Fabric合作开发了新的Fabric GEM算法，该算法结合了人工智能来发现导致疾病的DNA错误。
在这项研究中，科学家们通过分析来自Rady儿童医院和来自世界各地的其他五个医疗中心的179个先前诊断出的儿科病例的全基因组来测试GEM。GEM在92%的时间内将致病基因确定为前两个候选基因之一。这样做的表现优于现有工具，这些工具在不到60%的时间内完成了相同的任务。
“Yandell博士和犹他团队处于将AI研究应用于基因组学的前沿。”Fabric Genomics首席执行官、该论文的合著者Martin Reese博士说，“我们的合作帮助Fabric实现了前所未有的准确度，为在NICU中广泛使用人工智能驱动的全基因组测序打开了大门。”
Reese解释说，GEM利用人工智能从大量不断增长的知识中学习，而这些知识对于临床医生和科学家来说已经成为一项挑战。GEM交叉引用了来自不同人群的大型基因组序列数据库、临床疾病信息以及其他医学和科学数据存储库，将所有这些与患者的基因组序列和病历相结合，他继续说道，为了协助病历搜索，GEM可以与自然语言处理工具Clinithink的CLiX focus结合使用，它可以扫描大量医生的笔记，以了解患者疾病的临床表现。
“重症儿童迅速积累了许多页的临床记录。”Yandell说，“作为诊断过程的一部分，医生需要手动查看和总结笔记内容，这是一个巨大的时间消耗。Clinithink的工具能够在几秒钟内自动转换这些笔记的内容以供GEM使用，这对于速度和可扩展性至关重要。”
现有的技术主要识别小的基因组变异，包括单个DNA字母的改变，或一小串DNA字母的插入或删除。研究人员表示，相比之下，GEM 还可以找到“结构变异”作为疾病的原因。这些变化更大，而且往往更复杂。据估计，10%到20%的遗传疾病是由结构变异造成的。
“能够更确定地进行诊断开辟了一个新的领域。”U of U Health新生儿学家和儿科教授Luca Brunelli医学博士说，他领导一个团队使用GEM和其他基因组分析技术来诊断NICU中的患者。他的目标是为那些在开发这些工具之前不得不忍受不确定性的家庭提供答案。他说，这些进步现在为儿童生病的原因提供了一个解释，使医生能够改善疾病管理，有时还能促进康复。