Integrated Polygenic Risk Scores: Composite and Ensemble Learning Approaches for Precision Medicine
تقترح هذه الورقة وتتحقق من صحة طرق تعلم تجميعي مركب وتكيفي مبتكرة لدمج بيانات دراسات الارتباط الجينومي الكامل (GWAS) الخاصة بالأمراض والجينوميات الدوائية للتغلب على القيود الحالية في تطوير درجات المخاطر متعددة الجينات، مما يؤدي إلى تحسين التنبؤ بالاستجابة للأدوية وتصنيف المرضى في الطب الدقيق بشكل كبير.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول التنبؤ بكيفية استجابة شخص ما لدواء جديد. لعقود من الزمن، اعتمد الأطباء على نهج واحد يناسب الجميع، لكن مستقبل الرعاية الصحية يكمن في الطب الدقيق: تفصيل العلاجات لتناسب التركيبة الجينية الفريدة لكل مريض. وللقيام بذلك، يستخدم العلماء أداة تسمى "درجة المخاطر متعددة الجينات". فكر في هذه الدرجة كوسيلة لجمع آلاف التعليمات الجينية الصغيرة المتناثرة عبر الحمض النووي للشخص لمعرفة ما إذا كان عرضة طبيعياً لمرض معين أو من المرجح أن يستجيب جيداً لدواء محدد. ومع ذلك، فإن بناء هذه الدرجات كان يشبه محاولة حل لغغز بقطع مفقودة. فقد عانى العلماء طويلاً من الفصل بين نوعين من التأثيرات الجينية: تلك التي تحدد مدى مرض الشخص قبل بدء العلاج، وتلك التي تحدد كيفية تفاعل جسمه تحديداً مع الدواء نفسه. وإذا لم تتمكن من التمييز بين هذين النوعين، فلن تتمكن من التنبؤ بدقة بمن سيستفيد من الدواء ومن قد لا يستفيد.
قام فريق من الباحثين في شركة "ميرك آند كو" (Merck & Co.) وجامعة شيكاغو بتطوير طريقة جديدة لحل هذا اللغز. فقد ابتكروا طريقة تجمع بين نوعين مختلفين من البيانات الجينية لبناء صورة أكثر وضوحاً للاستجابة للدواء. تقليدياً، حاول العلماء بناء هذه الدرجات باستخدام بيانات من دراسات كبيرة لأشخاص مصابين بمرض ما، أو من دراسات أصغر لأشخاص يتناولون دواءً بالفعل. النهج الأول جيد في التنبؤ بمن هو مريض، ولكنه يفتقر إلى كيفية عمل الدواء. أما النهج الثاني فهو مباشر ولكنه غالباً ما يفتقر إلى بيانات كافية ليكون موثوقاً. الطريقة الجديدة، التي يسميها الباحثون نهج "التعاضد" (ensemble)، تعمل مثل مرشح ذكي يتعلم كيفية دمج هذين المصدرين من المعلومات بشكل مثالي. وبدلاً من التخمين حول كيفية خلط البيانات، يقوم الكمبيوتر باختبار طرق عديدة للجمع بينها ويختار الأفضل للتعامل مع الموقف المحدد.
في عملهم، اقترح الباحثون أولاً طريقة أبسط لخلط البيانات، أطلقوا عليها اسم "الطريقة المركبة". يفترض هذا النهج أن العوامل الجينية التي تجعل الشخص مريضاً هي نفسها العوامل التي تجعل استجابته للدواء، ويحاول طرح أحدها من الآخر لإيجاد الإشارة الخاصة بالدواء. وبينما نجحت هذه الطريقة بشكل أفضل من الطرق القديمة، أدرك الباحثون أن العلاقة بين المرض والاستجابة للدواء ليست دائماً بسيطة. فأحياناً، تساعد المحركات الجينية للمرض الدواء على العمل، وأحياناً أخرى، قد تعمل ضد مفعوله. وللتعامل مع حالة عدم اليقين هذه، بنوا نظاماً أكثر تقدماً يتعلم أفضل طريقة لدمج البيانات من تلقاء نفسه. يختبر هذا النظام مجموعة واسعة من الاحتمالات، حيث يزن بيانات المرض وبيانات الدواء بشكل مختلف حتى يجد التوازن المثالي للتنبؤ بالنتائج.
ولاختبار ما إذا كان هذا النظام الجديد يعمل حقاً، أجرى الفريق آلاف عمليات المحاكاة الحاسوبية. لقد أنشأوا مجموعات سكانية افتراضية ذات سمات جينية معروفة وحاكوا كيفية استجابتها للعلاج في ظل ظروف مختلفة. وفي هذه الاختبارات، تفوقت طريقتهم الجديدة باستمرار على النهج المعياري المستخدم اليوم. لقد كانت أفضل في التنبؤ بالنتيجة الإجمالية، والأهم من ذلك، كانت أفضل بكثير في تحديد الإشارات الجينية المحددة التي تشير إلى فعالية الدواء. أظهرت عمليات المحاكاة أنه بينما كانت الطرق القديمة غالباً ما تخطئ الهدف أو ترتبك بسبب الضجيج في البيانات، استطاع منهج التعاضد الجديد التكيف مع السيناريوهات المختلفة وإيجاد الإشارة الحقيقية. وقد كان فعالاً بشكل خاص عندما لم تكن العوامل الجينية للمرض والاستجابة للدواء متوافقة تماماً، وهو موقف شائع في الواقع أربك الأدوات السابقة.
ثم نقل الباحثون طريقتهم إلى العالم الحقيقي، حيث طبقوها على بيانات من تجربة "IMPROVE-IT" السريرية، وهي دراسة كبرى شملت أكثر من 5,000 مريض تم إعطاؤهم دواءً لخفض الكوليسترول. كان الهدف هو التنبؤ بمقدار انخفاض الكوليسترول الضار لدى كل مريض بعد شهر واحد من العلاج. فشلت الطرق المعيارية، التي تعتمد فقط على بيانات المرض أو فقط على بيانات الدواء، في إيجاد نمط قوي؛ إذ لم تستطع التمييز بوضوح بين المرضى الذين سيحصلون على فائدة كبيرة وأولئك الذين سيحصلون على فائدة صغيرة. في المقابل، نجحت الطريقة الجديدة في تحديد إشارة جينية واضحة، حيث استطاعت التمييز بين المرضى الذين سيشهدون انخفاضاً كبيراً في الكوليسترول وأولئك الذين لن يشهدوا ذلك. كانت الطريقة دقيقة للغاية لدرجة أنها استطاعت تصنيف المرضى إلى مجموعات يكون فيها تأثير العلاج واضحاً، وهي قدرة أساسية للأطباء الذين يرغبون في وصف الدواء المناسب للشخص المناسب.
كانت واحدة من أهم النتائج هي أن الطريقة الجديدة يمكنها تحديد جينات معينة تقود تأثير الدواء. فقد أشارت التحليلات إلى جينات معروفة بدورها في كيفية معالجة الجسم للكوليسترول، مما يؤكد أن الطريقة كانت تجد روابط بيولوجية حقيقية وليس مجرد ضجيج عشوائي. هذه القدرة على تحديد العلامات الجينية الصحيحة تعني أنه في المستقبل، قد يتمكن الأطباء من النظر في الحمض النووي للمريض ومعرفة ما إذا كان دواء معين سيخفض الكوليسترول لديه بفعالية بثقة أكبر. وتشير الدراسة إلى أنه من خلال دمج أنواع مختلفة من المعلومات الجينية، يمكن للعلماء التغلب على قيود أحجام العينات الصغيرة والبيانات غير المنظمة التي أعاقت التقدم في هذا المجال.
يقر الباحثون بأن عملهم ليس حلاً نهائياً. فنجاح طريقتهم يعتمد على جودة البيانات المتاحة، وقد أشاروا إلى أن التجربة الدوائية المحددة التي استخدموها كانت تعاني من بعض القيود، مثل العدد الصغير نسبياً للمشاركين مقارنة بدراسات الأمراض الضخمة. كما أوضحوا أن العلاقة بين المرض والاستجابة للدواء يمكن أن تختلف بين المجموعات السكانية المختلفة والأدوية المختلفة، مما يعني أن الطريقة ستحتاج إلى اختبار وتطوير لمواقف أخرى. ومع ذلك، فإن النتائج من هذه الدراسة تقدم دليلاً قوياً على صحة المفهوم. فمن خلال إظهار أن النهج التكيفي القائم على التعلم يمكنه دمج البيانات الجينية المتنوعة لتحسين التنبؤ، قدم الفريق مساراً جديداً نحو الطب الدقيق. إن عملهم يثبت أنه عندما نتوقف عن معاملة البيانات الجينية كجزر منفصلة ونبدأ في ربطها بذكاء، يمكننا فتح فهم أوضح لكيفية تشكيل جيناتنا لاستجابتنا للأدوية التي تنقذ حياتنا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.