Genetica: sviluppato algoritmo che analizza le varianti rare

Un team tedesco guidato da Brian Clarke, del German Cancer Research Center di Heidelberg, ha introdotto un algoritmo basato sul deep learning in grado di prevedere gli effetti di varianti genetiche rare. Il metodo consente di distinguere con maggiore precisione le persone ad alto rischio di malattia e facilita l’identificazione dei geni coinvolti nello sviluppo delle malattie. L’algoritmo è stato descritto su Nature Genetics.

Molte varianti genetiche sono associate a particolari tratti biologici e patologie. Tuttavia esistono delle varianti rare, che si verificano con una frequenza circa dello 0,1%, che sono spesso trascurate negli studi di associazione genomica, nonostante abbiano un’influenza significativamente maggiore sulla presentazione di un tratto biologico o di una malattia.

Per studiare gli effetti di queste varianti, i ricercatori del German Cancer Research Center di Heidelberg hanno sviluppato uno strumento di valutazione del rischio basato sull’apprendimento automatico. Il metodo, denominato “DeepRVAT” (rare variant association testing), è il primo a utilizzare l’intelligenza artificiale (IA).

Il modello è stato inizialmente addestrato con i dati dell’esoma di 161.000 individui provenienti dalla UK Biobank e con le informazioni sui tratti biologici geneticamente influenzati delle singole persone, nonché con i geni coinvolti nei tratti.

Le sequenze utilizzate per l’addestramento comprendevano circa 13 milioni di varianti. Dopo l’addestramento, DeepRVAT è stato in grado di prevedere, per ciascun individuo, quali geni sono compromessi da varianti rare. I ricercatori hanno validato DeepRVAT sempre sui dati della UK Biobank.

Per 34 tratti testati, il metodo ha trovato 352 associazioni con geni coinvolti, migliorando di molto le performance dei modelli esistenti. Infine, DeepRVAT è stato in grado di valutare la predisposizione genetica a determinate malattie.

L’algoritmo “ha il potenziale per far progredire significativamente la medicina personalizzata. Il metodo funziona indipendentemente dal tipo di tratto e può essere combinato in modo flessibile con altri metodi”, conclude Oliver Stegle, autore senior della ricerca.

Fonte: Nature Genetics 2024

Post correlati

Lascia un commento



SICS Srl | Partita IVA: 07639150965

Sede legale: Via Giacomo Peroni, 400 - 00131 Roma
Sede operativa: Via della Stelletta, 23 - 00186 Roma

Popular Science Italia © 2024