Új tanulmány a mentális egészségi rendellenességek genetikai okairól

A mentális zavarok megfelelő diagnosztizálása kihívást jelenthet, különösen a kisgyermekek számára, akik nem tudják kitölteni a kérdőíveket vagy az értékelési skálákat. Ez a kihívás különösen akut kisebbségi populációkat érint. A korábbi genomikai kutatások számos genomiális jelet találtak különféle mentális rendellenességekre, amelyek közül néhány potenciális terápiás gyógyszercélpontként szolgált. A mély tanulási algoritmusokat olyan összetett betegségek sikeres diagnosztizálására is alkalmazták, mint a figyelemhiányos hiperaktivitási rendellenesség (ADHD). Ezeket az eszközöket azonban ritkán alkalmazták afroamerikai betegek nagy populációiban.

Egy egyedülálló vizsgálat során a kutatók teljes genom szekvenálási adatokat állítottak elő 4,179 afro-amerikai betegek vérmintájából, köztük 1,384 olyan betegből, akiknél legalább egy mentális zavart diagnosztizáltak. , autizmus spektrum zavar, értelmi fogyatékosság, beszéd/nyelvi zavar, késések a fejlesztésekben és ellenzéki dacos rendellenesség (ODD). Ennek a munkának a hosszú távú célja, hogy többet tudjon meg az afro-amerikai populációban előforduló bizonyos betegségek kialakulásának konkrét kockázatairól, és arról, hogyan javítható az egészségügyi eredmények a személyre szabottabb kezelési megközelítésekre összpontosítva.

"A legtöbb tanulmány csak egy betegségre összpontosít, és a kisebbségi populációk nagyon alulreprezentáltak a meglévő tanulmányokban, amelyek gépi tanulást alkalmaznak a mentális zavarok tanulmányozására" - mondta Hakon Hakonarson vezető szerző, MD, PhD, a CHOP Alkalmazott Genomikai Központjának igazgatója. . "Szerettük tesztelni ezt a mély tanulási modellt egy afroamerikai populáción, hogy megtudjuk, pontosan meg tudja-e különböztetni a mentális zavarban szenvedő betegeket az egészséges kontrolloktól, és hogy megfelelően meg tudjuk-e jelölni a rendellenességek típusait, különösen a többszörös rendellenességben szenvedő betegek esetében."

A mélytanulási algoritmus a genomi variánsok terhelését kereste a genom kódoló és nem kódoló régióiban. A modell több mint 70%-os pontosságot mutatott a mentális zavarokkal küzdő betegek és a kontrollcsoport megkülönböztetésében. A mélytanulási algoritmus ugyanolyan hatékony volt a többszörös rendellenességben szenvedő betegek diagnosztizálásában is, a modell az esetek körülbelül 10%-ában pontos diagnosztikai egyezést adott.

A modell sikeresen azonosított több olyan genomiális régiót is, amelyekben nagymértékben feldúsultak a mentális zavarok, ami azt jelenti, hogy nagyobb valószínűséggel vesznek részt ezen egészségügyi rendellenességek kialakulásában. Az érintett biológiai utak közé tartoznak az immunválaszokhoz, az antigén- és nukleinsavkötéshez, a kemokin jelátviteli útvonalhoz és a guanin nukleotid-kötő fehérjereceptorokhoz kapcsolódóak. A kutatók azonban azt is megállapították, hogy a fehérjéket nem kódoló régiókban lévő változatok nagyobb gyakorisággal érintettek ezekben a rendellenességekben, ami azt jelenti, hogy alternatív markerként szolgálhatnak.

"A genetikai változatok és a kapcsolódó útvonalak azonosításával a funkciójuk jellemzésére irányuló jövőbeli kutatások mechanikus betekintést nyújthatnak ezeknek a rendellenességeknek a kialakulásába" - mondta Hakonarson.

Ezt a kutatást a CHOP intézményfejlesztési alapjai támogatták az Alkalmazott Genomikai Központig és a Philadelphiai Gyermekkórházig.