CNV Based Genetic Risk Score for Aortic Aneurysm

Der menschliche Körper ist eine komplexe Maschine, und wie jede Maschine können seine Teile verschleißen oder verborgene Mängel entwickeln, lange bevor sie aufhören zu funktionieren. Ein solcher Mangel ist ein Aortenaneurysma, eine gefährliche Ausbuchtung in der Hauptschlagader des Körpers, die jahrelang stillschweigend wachsen kann. Wenn diese Ausbuchtung platzt, ist dies oft tödlich, doch die meisten Menschen verspüren keine Symptome, bis es zu spät ist. Derzeit verlassen sich Ärzte auf Ultraschalluntersuchungen, um diese Ausbuchtungen zu finden, aber strenge Regeln begrenzen, wer untersucht wird. In den Vereinigten Staaten beispielsweise wird die Routineuntersuchung im Allgemeinen nur älteren Männern angeboten, die geraucht haben, wodurch viele Frauen, jüngere Männer und Nichtraucher, die ebenfalls gefährdet sind, außen vor bleiben. Diese Lücke führt dazu, dass viele Menschen mit dieser Erkrankung unentdeckt bleiben, bis eine Krise eintritt. Wissenschaftler suchen schon lange nach einem genetischen Hinweis, der helfen könnte, diese gefährdeten Personen frühzeitig zu identifizieren, aber der genetische Code für diese Erkrankung ist notorisch schwer zu lesen. Im Gegensatz zu einigen Krankheiten, die durch einen einzelnen „kaputten Buchstaben“ im genetischen Alphabet verursacht werden, scheinen Aneurysmen aus einer chaotischen Kombination vieler kleiner struktureller Veränderungen über das gesamte Genom hinweg zu entstehen, was sie mit Standardtests schwer erkennbar macht.

Ein Team von Forschern an der University of California, Irvine, hat einen frischen Ansatz für dieses Problem gewählt, indem sie das Genom nicht als eine Liste von Buchstaben betrachteten, sondern als eine Landschaft aus Formen und Größen. Sie konzentrierten sich auf eine spezifische Art von genetischer Variation, die sogenannte Kopienzahlvariation (Copy Number Variation), was im Wesentlichen ein Maß dafür ist, wie viele Kopien eines bestimmten DNA-Segments eine Person besitzt. Während die meisten Menschen zwei Kopien jedes Gens haben, besitzen einige eine, drei oder sogar mehr aufgrund natürlicher Variationen oder Fehler, die im Laufe des Lebens auftreten. Die Forscher nutzten Daten aus einer massiven nationalen Gesundheitsstudie, um diese Variationen bei fast tausend Menschen zu analysen, bei denen ein Aortenaneurysma diagnostiziert worden war, sowie bei über fünftausend gesunden älteren Menschen, die das Alter von 84 Jahren oder älter erreicht haben, ohne jemals an dieser Krankheit zu erkranken. Indem sie die genetischen Daten als eine Serie breiter regionaler Muster statt als einzelne Punkte behandelten, entwickelten sie eine neue Art von Risiko-Score, der als Sicherheitsnetz dienen soll.

Das Team testete verschiedene Methoden des maschinellen Lernens, um zu sehen, welche am besten zwischen der gesunden Gruppe und der kranken Gruppe unterscheiden konnte. Sie fanden heraus, dass ein einfaches mathematisches Modell, bekannt als verallgemeinertes lineares Modell (Generalized Linear Model), am besten abschnitt. Dieses Modell beruhte nicht darauf, ein einzelnes „schlechtes“ Gen zu finden; stattdessen betrachtete es das allgemeine Muster struktureller Veränderungen über das gesamte Genom hinweg. Die Ergebnisse zeigten, dass dieses Modell etwa 90 Prozent der Menschen, die tatsächlich ein Aneurysma hatten, korrekt identifizieren konnte. Wichtiger noch: Es war in der Lage, die Erkrankung bei etwa 28 Prozent der gesunden Menschen mit Zuversicht auszuschließen, was bedeutet, dass diese Personen vor unmittelbaren, unnötigen medizinischen Bildgebungsverfahren bewahrt werden könnten. Dies ist ein bedeutender Fortschritt, da es einen Weg bietet, Patienten mit geringem Risiko herauszufiltern, die derzeit außerhalb der Standard-Screening-Richtlinien liegen, sodass Ärzte ihre begrenzten Ressourcen auf diejenigen konzentrieren können, die sie am dringendsten benötigen.

Um sicherzustellen, dass ihre Ergebnisse echt waren und nicht nur ein Resultat der Daten, führten die Forscher mehrere strenge Überprüfungen durch. Sie testeten, ob das Modell lediglich darauf reagierte, dass ältere Menschen mehr durch das Altern akkumulierten „genetischen Lärm“ aufweisen, oder ob es tatsächlich die Krankheit detektierte. Sie fanden heraus, dass die Leistung des Modells signifikant sank, wenn sie versuchten, jüngere, gesunde Menschen als Vergleichsgruppe zu verwenden. Dies bestätigte, dass die Verwendung sehr alter, gesunder Menschen als Basis entscheidend war, da sie ein „saubereres“ Bild dessen lieferte, was ein widerstandsfähiges, krankheitsfreies Genom ausmacht. Darüber hinaus bewiesen sie, dass das Modell nicht einfach rät, indem es die Etiketten (Labels) von krank und gesund zufällig vertauschte; als sie dies taten, verschwand die Fähigkeit des Modells zur Vorhersage und kehrte auf das Niveau einer Zufallswahrscheinlichkeit zurück. Dies bestätigte, dass das Modell tatsächlich ein echtes biologisches Signal im Zusammenhang mit der Krankheit erlernt hatte.

Die Studie enthüllte auch etwas Überraschendes darüber, wie die Computermodelle lernten, diese Vorhersagen zu treffen. Das erfolgreichste Modell stützte sich auf die durchschnittlichen strukturellen Verschiebungen über große Abschnitte des Genoms hinweg und behandelte den genetischen Code als ein stabiles, vernetztes Netzwerk. Im Gegensatz dazu versuchten andere leistungsstarke Computermodelle, die oft für komplexe Aufgaben verwendet werden, sich auf extreme Ausreißer oder isolierte Spitzen in den Daten zu konzentrieren. Diese alternativen Modelle schnitten schlechter ab, was darauf hindeutet, dass das Risiko eines Aortenaneurysmas nicht durch ein oder zwei dramatische genetische Fehler verursacht wird, sondern durch eine subtile, verteilte Instabilität über die gesamte genetische Landschaft hinweg. Die Forscher stellten auch fest, dass das Modell ganz natürlich erfasste, dass Männer viel wahrscheinlicher an dieser Erkrankung leiden als Frauen – eine medizinische Tatsache, die der Computer direkt aus den genetischen Mustern lernte, ohne explizit darüber informiert worden zu sein.

Obwohl die Ergebnisse vielversprechend sind, betonen die Forscher vorsichtig, dass dieses Werkzeug keinen Ersatz für die Ultraschalluntersuchung darstellt, die weiterhin der Goldstandard für die Diagnose ist. Stattdessen ist dieser genetische Score als ein erster Schritt konzipiert, eine nicht-invasive Methode zur Triage von Patienten. Wenn der Score einer Person niedrig ist, könnte man ihr sicher mitteilen, dass sie keine sofortige Untersuchung benötigt, was Zeit und Ressourcen spart. Wenn der Score hoch ist, würde dies sie für weitere Untersuchungen markieren, selbst wenn sie nicht dem traditionellen Profil eines Risikopatienten entsprechen. Die Studie unterstreicht, dass durch die Betrachtung des Genoms auf eine neue Weise – mit dem Fokus auf die Form und Struktur der DNA statt nur auf die Sequenz – Wissenschaftler verborgene Risiken aufdecken können, die zuvor unsichtbar waren. Dieser Ansatz bietet einen praktischen Weg zu einer Zukunft, in der das Screening inklusiver ist und sicherstellt, dass die Menschen, die tatsächlich untersucht werden müssen, auch tatsächlich untersucht werden, was potenziell Leben retten kann, indem ein stiller Killer abgefangen wird, bevor er zuschlägt.