Machine Learning Approaches Enhance Polygenic Risk Score in Alzheimer’s Disease

La malattia di Alzheimer è una condizione implacabile che erode la memoria e il pensiero, finendo per rubare a una persona la capacità di prendersi cura di se stessa. Sebbene sappiamo che alcune persone nascono con una maggiore probabilità di svilupparla, le ragioni sono raramente semplici. Gli scienziati sanno da tempo che una specifica variante genica, chiamata APOE ε4, funge da potente segnale di avvertimento, ma essa racconta solo una parte della storia. Molte persone portano questa variante e non sviluppano mai la malattia, mentre altre che non la portano si ammalano comunque. Ciò suggerisce che il rischio non sia racchiuso in un singolo interruttore, ma sia disperso in migliaia di minuscole differenze nel nostro DNA, ognuna delle quali contribuisce con una piccola quota al quadro complessivo. Per anni, i ricercatori hanno cercato di sommare questi piccoli contributi per creare un punteggio unico che predica chi sia più probabile che si ammali. Tuttavia, questi metodi tradizionali spesso assumono che i geni lavorino in modo indipendente, come se si sommassero singoli pesi, e faticano a catturare i modi complessi in cui i geni potrebbero interagire tra loro.

Un team di ricercatori in Italia si è posto l'obiettivo di vedere se gli strumenti informatici moderni potessero fare un lavoro migliore nel leggere questo codice genetico. Hanno raccolto dati da quasi mille adulti anziani, alcuni con l'Alzheimer e altri senza, e hanno esaminato milioni di marcatori genetici. Invece di affidarsi alle formule standard utilizzate per decenni, hanno addestrato diversi tipi di modelli di intelligenza artificiale. Questi modelli sono stati progettati per imparare dai dati stessi, cercando schemi che potrebbero essere troppo sottili o troppo complicati per la matematica tradizionale. I ricercatori volevano sapere se questi algoritmi intelligenti potessero individuare le connessioni nascoste tra i geni che portano alla malattia e se potessero prevedere con maggiore accuratezza chi è a rischio rispetto ai vecchi metodi.

I risultati hanno mostrato che i modelli informatici erano effettivamente più efficaci. Il sistema di intelligenza artificiale con le migliori prestazioni è stato in grado di distinguere tra coloro che avevano la malattia e coloro che non l'avevano con un'accuratezza significativamente superiore rispetto ai metodi di punteggio tradizionali. Questo miglioramento è stato più evidente quando i ricercatori hanno incluso il noto gene APOE nell'analisi, suggerendo che i modelli informatici fossero molto bravi a pesare questo importante fattore di rischio insieme alle migliaia di fattori più piccoli. Tuttavia, quando i ricercatori hanno rimosso il gene APOE dal mix per vedere se i modelli potessero trovare altri segnali, il vantaggio dei complessi modelli informatici è diminuito. In questo scenario, i metodi più semplici e tradizionali hanno performato altrettanto bene dei modelli avanzati. Questa scoperta suggerisce che, sebbene l'intelligenza artificiale sia potente nel catturare interazioni complesse, gran parte del rischio genetico rimanente nell'Alzheimer potrebbe ancora seguire un modello più diretto e additivo, che i vecchi metodi sono già in grado di gestire piuttosto bene.

Oltre a prevedere il rischio, i ricercatori hanno utilizzato una tecnica speciale per capire cosa il computer stesse effettivamente "pensando". Hanno chiesto al modello di spiegare quali specifiche variazioni genetiche stessero guidando le sue decisioni. L'analisi ha evidenziato un manipolo di varianti genetiche che il modello considerava più importanti. Una di queste era la nota variante APOE, che il modello ha correttamente identificato come il segnale più forte. Ma il modello ha anche indicato altri geni che non erano stati messi in risalto in precedenza negli studi. Ad esempio, ha segnalato un gene coinvolto nel modo in cui le cellule gestiscono lo stress e un altro che gioca un ruolo nel modo in cui le cellule immunitarie del cervello gestiscono il metabolismo dei grassi. Queste scoperte suggeriscono che la malattia possa essere guidata da una combinazione di fattori, inclusi il modo in cui le cellule affrontano lo stress e il modo in cui il sistema immunitario cerebrale funziona, offrendo nuovi indizi per la ricerca futura.

Lo studio ha anche esaminato se questi modelli potessero identificare le persone all'estremo più alto o più basso del rischio. Quando i ricercatori hanno esaminato gli estremi dello spettro del rischio, uno dei modelli informatici si è distinto per la sua capacità di classificare correttamente le persone in gruppi ad alto e basso rischio meglio di qualsiasi altro metodo testato. Questa è una capacità cruciale per l'intervento precoce, poiché potrebbe aiutare i medici a identificare gli individui che potrebbero beneficiare maggiormente di misure preventive prima che compaiano i sintomi. Tuttavia, i ricercatori sono stati attenti a sottolineare che il loro lavoro si basava su un gruppo specifico di persone e che i modelli devono essere testati su popolazioni più ampie e diversificate per garantire che funzionino per tutti.

In definitiva, questa ricerca dimostra che l'apprendimento automatico può migliorare la nostra comprensione del rischio genetico per la malattia di Alzheimer, in particolare quando si tratta della complessa interazione di molti fattori genetici. Sebbene i metodi tradizionali rimangano utili, specialmente quando si osserva il quadro genetico più ampio senza i principali geni noti, il nuovo approccio offre una lente più nitida per identificare gli individui più vulnerabili. Scoprendo specifici geni coinvolti nello stress cellulare e nella funzione immunitaria, lo studio fornisce una tabella di marcia per permettere agli scienziati di esplorare nuovi percorsi biologici. Il lavoro non offre una cura, ma fornisce un modo più preciso per misurare il rischio e una visione più chiara dei meccanismi biologici che un giorno potrebbero portare a nuovi trattamenti.