Diagnosticar trastornos mendelianos raros es una tarea que requiere mucha mano de obra, incluso para genetistas experimentados. Los investigadores de la Facultad de Medicina de Baylor (Estados Unidos) están intentando hacer que el proceso sea más eficiente utilizando inteligencia artificial. El equipo desarrolló un sistema de aprendizaje automático llamado AI-MARRVEL (AIM) para ayudar a priorizar variantes potencialmente causantes de los trastornos mendelianos. El estudio se publica en ´The New England Journal of Medicine´.

Investigadores del laboratorio de diagnóstico clínico de Baylor Genetics observaron que el módulo de AIM puede contribuir a predicciones independientes del conocimiento clínico del gen de interés, ayudando a avanzar en el descubrimiento de nuevos mecanismos de enfermedad. "La tasa de diagnóstico de trastornos genéticos raros es sólo de alrededor del 30% y, en promedio, pasan seis años desde el momento de la aparición de los síntomas hasta el diagnóstico. Existe una necesidad urgente de nuevos enfoques para mejorar la velocidad y la precisión del diagnóstico", dijo el coautor correspondiente, el doctor Pengfei Liu, profesor asociado de genética molecular y humana y director clínico asociado de Baylor Genetics.

AIM se entrena utilizando una base de datos pública de variantes conocidas y análisis genéticos llamada Organismo modelo Recursos agregados para la exploración de variantes raras (MARRVEL) desarrollado previamente por el equipo de Baylor. La base de datos MARRVEL incluye más de 3,5 millones de variantes de miles de casos diagnosticados. Los investigadores proporcionan a AIM los datos y síntomas de la secuencia del exoma de los pacientes, y AIM proporciona una clasificación de los genes candidatos más probables que causan la rara enfermedad.

Los investigadores compararon los resultados de AIM con otros algoritmos utilizados en artículos de referencia recientes. Probaron los modelos utilizando tres cohortes de datos con diagnósticos establecidos de Baylor Genetics, la Red de Enfermedades No Diagnósticas (UDN) financiada por los Institutos Nacionales de Salud y el proyecto Descifrando los Trastornos del Desarrollo (DDD). AIM clasificó consistentemente a los genes diagnosticados como el candidato número uno en el doble de casos que todos los demás métodos de referencia que utilizan estos conjuntos de datos del mundo real.

"Entrenamos a AIM para imitar la forma en que los humanos toman decisiones, y la máquina puede hacerlo mucho más rápido, más eficientemente y a un costo menor. Este método ha duplicado efectivamente la tasa de diagnóstico preciso", afirma el coautor correspondiente, el doctor Zhandong Liu, profesor asociado de pediatría y neurología en Baylor e investigador del Instituto de Investigación Neurológica (NRI) Jan and Dan Duncan del Texas Children´s Hospital.

AIM también ofrece nuevas esperanzas para los casos de enfermedades raras que han permanecido sin resolver durante años. Cada año se informan cientos de nuevas variantes causantes de enfermedades que pueden ser clave para resolver estos casos sin resolver; sin embargo, determinar qué casos justifican un nuevo análisis es un desafío debido al gran volumen de casos. Los investigadores probaron el reanálisis clínico del exoma de AIM en un conjunto de datos de casos UDN y DDD y descubrieron que podía identificar correctamente el 57% de los casos diagnosticables.

"Podemos hacer que el proceso de reanálisis sea mucho más eficiente utilizando AIM para identificar un conjunto de casos potencialmente solucionables de alta confianza y presionando esos casos para su revisión manual", expica Zhandong Liu. "Anticipamos que esta herramienta puede recuperar una cantidad sin precedentes de casos que antes no se pensaba que fueran diagnosticables".

Los investigadores también probaron el potencial de AIM para descubrir nuevos genes candidatos que no se han relacionado con una enfermedad. AIM predijo correctamente dos genes de enfermedades recientemente reportados como principales candidatos en dos casos de UDN.

"AIM es un gran paso adelante en el uso de la IA para diagnosticar enfermedades raras. Reduce los diagnósticos genéticos diferenciales a unos pocos genes y tiene el potencial de guiar el descubrimiento de trastornos previamente desconocidos", comenta el coautor correspondiente, el doctor Hugo Bellen, profesor de Servicio Distinguido en genética molecular y humana en Baylor y catedrático de neurogenética en el NRI de Duncan.

"Cuando se combina con la profunda experiencia de nuestros directores de laboratorio clínico certificados, conjuntos de datos altamente seleccionados y tecnología automatizada escalable, estamos viendo el impacto de la inteligencia aumentada para proporcionar conocimientos genéticos integrales a escala, incluso para las poblaciones de pacientes más vulnerables y con condiciones complejas" relata el autor principal, el doctor Fan Xia, profesor asociado de genética molecular y humana en Baylor y vicepresidente de genómica clínica en Baylor Genetics.

"Al aplicar datos de entrenamiento del mundo real de una cohorte de Baylor Genetics sin ningún criterio de inclusión, AIM ha demostrado una precisión superior. Baylor Genetics tiene como objetivo desarrollar la próxima generación de inteligencia diagnóstica y llevarla a la práctica clínica", concluye.