IndepMR: An Ontology-Driven, Ancestry-Aware Interactive R Shiny Framework for Automated Two-Sample and Multivariable Mendelian Randomization with Mediation Analysis Using Public GWAS Summary Data

Per capire come un'abitudine o un tratto specifico possano causare una malattia, gli scienziati devono spesso affrontare un problema complicato: le persone che possiedono quel tratto potrebbero anche condividere altre abitudini nascoste che sono le vere responsabili della malattia. Immaginate di cercare di capire se mangiare un certo alimento causi problemi cardiaci, ma che le persone che lo consumano tendano anche a fumare di più. Diventa quasi impossibile distinguere quale fattore sia il vero colpevole. Per decenni, i ricercatori hanno utilizzato un astuto espediente chiamato randomizzazione mendeliana per superare questa confusione. Questo metodo si basa sul fatto che i nostri geni vengono rimescolati casualmente al momento del concepimento, proprio come un biglietto della lotteria, molto prima che nasciamo e molto prima che si sviluppino eventuali malattie. Poiché queste variazioni genetiche vengono assegnate per caso, esse agono come marcatori naturali e imparziali. Se una persona possiede una variante genetica che naturalmente porta il suo corpo a produrre una certa sostanza in quantità maggiore, e quella persona ha anche una maggiore probabilità di sviluppare una specifica malattia, gli scienziati possono dedurre che sia la sostanza stessa a causare la malattia, piuttosto che qualche altro fattore legato allo stile di vita.

Tuttavia, utilizzare questa lotteria genetica per risolvere quesiti medici reali è diventato sempre più difficile con l'esplosione della quantità di dati disponibili. Esistono migliaia di studi massicci che catalogano i legami genetici con tutto, dall'altezza al diabete, ma sono sparsi tra diverse popolazioni e descritti in modi confusionari. Uno studio potrebbe elencare i suoi partecipanti come "britannici", un altro come "europei" e un terzo potrebbe mescolare "italiani ed europei" in una singola descrizione. Senza un modo per classificare automaticamente queste etichette, i ricercatori potrebbero accidentalmente mescolare dati di persone troppo simili geneticamente, falsando i risultati, oppure potrebbero perdere studi cruciali perché hanno cercato la parola sbagliata. Un nuovo strumento chiamato IndepMR, sviluppato dai ricercatori dell'Università di Colombo, mira a risolvere questi colli di bottiglia. È un programma informatico progettato per agire come una guida rigorosa, trovando automaticamente gli studi genetici corretti, verificando che le persone in essi siano compatibili ed eseguendo calcoli complessi per rivelare vere relazioni di causa-effetto senza richiedere all'utente di essere un esperto di programmazione.

L'innovazione centrale di questo nuovo strumento risiede nel modo in cui cerca le informazioni e in come controlla le persone dietro i dati. Tradizionalmente, se un ricercatore volesse studiare l'"alto livello di zucchero nel sangue", potrebbe digitare esattamente quelle parole in un database. Ma uno studio potrebbe aver usato il termine "glucosio a digiuno" o "HbA1c", e una ricerca semplice lo perderebbe completamente. IndepMR risolve questo problema utilizzando una mappa strutturata di concetti biologici, simile a un albero genealogico per malattie e tratti. Se un utente cerca "alto livello di zucchero nel sangue", il programma comprende che questo è correlato a "glucosio a digiuno" e "HbA1c" perché tutti derivano dallo stesso concetto genitore. Ciò consente allo strumento di trovare ogni studio pertinente, anche se i ricercatori hanno usato nomi diversi per la stessa condizione. Questo approccio si è dimostrato potente nel testare lo strumento: quando cercava la categoria ampia dei "lipidi", il nuovo strumento ha trovato oltre 1.200 studi, mentre una ricerca standard per parole chiave ne ha trovati solo 166.

Uguamente importante è la capacità dello strumento di controllare l'ascendenza delle persone negli studi. Affinché la lotteria genetica funzioni equamente, il gruppo di persone che fornisce gli indizi genetici per l'esposizione (come il peso corporeo) e il gruppo che fornisce gli indizi per l'esito (come il diabete) devono essere geneticamente compatibili ma non le stesse identiche persone. Se sono troppo simili, i risultati possono essere distorti; se provengono da background ancestrali completamente diversi, i marcatori genetici potrebbero non funzionare allo stesso modo. Gli strumenti esistenti spesso lasciavano questo controllo al ricercatore umano, che doveva leggere manualmente le descrizioni testuali come "italiano, europeo" e indovinare se corrispondessero. IndepMR automatizza questo processo scomponendo queste descrizioni in una gerarchia standardizzata. Riconosce che "italiano" è un tipo specifico di "europeo" e segnala quando uno studio utilizza un'etichetta ampia che potrebbe nascondere una sovrapposizione specifica. Questo evita ai ricercatori di confrontare accidentalmente due gruppi che condividono lo stesso pool genetico sottostante, un errore che potrebbe portare a conclusioni errate.

I ricercatori hanno messo alla prova il loro nuovo sistema esaminando il legame tra l'indice di massa corporea e il diabete di tipo 2, una questione che è stata studiata per anni ma che produce risultati diversi a seconda della popolazione. Hanno eseguito l'analisi due volte: una volta utilizzando dati di persone di ascendenza europea e una volta utilizzando dati di persone di ascendenza asiatica. Nel gruppo europeo, lo strumento ha confermato ciò che molti si aspettavano: un indice di massa corporea più elevato causa un aumento significativo del rischio di sviluppare il diabete di tipo 2. L'analisi è stata pulita, senza segni di errori nascosti o segnali contrastanti. Tuttavia, la storia è cambiata quando hanno guardato il gruppo asiatico. Lo strumento ha inizialmente trovato un risultato che sembrava suggerire un effetto protettivo, implicando che un peso corporeo più elevato possa ridurre il rischio di diabete. Ma i controlli automatizzati hanno immediatamente alzato un segnale di allarme. I dati mostravano gravi incongruenze e segni che i marcatori genetici stavano captando altri fattori non correlati. Lo strumento ha identificato correttamente che quel risultato sorprendente era probabilmente inaffidabile, guidato da bias nascosti nei dati piuttosto che da un vero ribaltamento biologico. Ciò ha dimostrato che lo strumento non si limita a produrre numeri; agisce come un esperto di controllo qualità, dicendo ai ricercatori quando un risultato appare sospetto.

Per dimostrare la piena potenza del sistema, il team ha anche mostrato come gestisce domande complesse che coinvolgono un passaggio intermedio, o mediatore. Hanno cercato di vedere se l'effetto del peso corporeo sul diabete passasse attraverso un marcatore ematico specifico chiamato HbA1c. Lo strumento li ha guidati con successo attraverso i passaggi per combinare tre diversi set di dati genetici. Tuttavia, ha anche colto un difetto critico di progettazione: lo studio sul peso corporeo e lo studio sul marcatore ematico provenivano esattamente dallo stesso gruppo di persone. In uno studio genetico appropriato, questi gruppi dovrebbero essere separati per garantire che i risultati non siano solo un riflesso dei dati degli stessi individui. Lo strumento ha segnalato immediatamente questa sovrapposizione, avvertendo i ricercatori che qualsiasi conclusione tratta da questa specifica combinazione sarebbe stata distorta. Questa caratteristica è fondamentale perché impedisce ai ricercatori di perdere tempo in analisi difettose o, peggio, di pubblicare risultati che sembrano convincenti ma che sono in realtà artefatti del disegno dello studio.

Lo sviluppo di IndepMR rappresenta un passaggio verso la rendere l'analisi genetica sofisticata accessibile a chiunque abbia una domanda scientifica, non solo a chi sa scrivere codice informatico complesso. Automatizzando i compiti tediosiosi e soggetti a errori come la ricerca degli studi corretti, la verifica della loro compatibilità e l'esecuzione dei necessari test statistici, lo strumento permette ai ricercatori di concentrarsi sulla biologia piuttosto che sulla meccanica dei dati. Esso impone un livello di rigore difficile da mantenere manualmente, garantendo che le risposte fornite siano basate su prove solide e compatibili. Sebbene lo strumento non possa risolvere ogni problema — come trovare uno studio perfetto quando non ne esiste uno — esso fornisce un ambiente trasparente e passo dopo passo, dove i limiti dei dati sono chiaramente visibili. In definitiva, l'obiettivo è rendere il processo di scoperta di causa ed effetto nella salute umana più affidabile, assicurando che le conclusioni tratte dalla nostra lotteria genetica siano il più accuratissime possibile.