Identifying genes associated with phenotypes using machine and deep learning

Dit artikel presenteert een machine- en deep-learning-pipeline die genen koppelt aan fenotypes door patiënten te classificeren op basis van genotypegegevens en vervolgens de belangrijkste SNPs te identificeren, wat resulteert in een gemiddelde gen-identificatie-ratio van 0,84 en een effectieve prioritering van ziekte-gerelateerde genen.

De kern

Titel: De Genetische Detectives: Hoe AI Genen Opspoort die Ziektes Verklaren

Stel je voor dat je DNA een enorme, duizelig lange bibliotheek is. In deze bibliotheek staan miljarden boeken (je genen), maar de meeste zijn gewoon standaardverhalen. Soms staat er echter een klein, onopvallend foutje in een zinnetje (een SNP, of Single Nucleotide Polymorphism). Dit kleine foutje kan ervoor zorgen dat iemand vatbaarder is voor een bepaalde ziekte, zoals diabetes, of juist last heeft van migraine.

Het probleem? Die bibliotheek is zo groot dat het zoeken naar dat ene foutje met de hand net zo moeilijk is als het vinden van een specifieke druppel regen in een oceaan.

Wat hebben deze onderzoekers gedaan?
Muhammad Muneeb en zijn collega's uit Australië hebben een slimme manier bedacht om die druppels te vinden. In plaats van met een vergrootglas te zoeken, hebben ze kunstmatige intelligentie (AI) ingezet. Ze hebben twee soorten digitale detectives ingehuurd:

1. Machine Learning (ML): De ervaren, klassieke detective die goed is in het herkennen van patronen.
2. Deep Learning (DL): De super-slimme, moderne detective die zelfs de meest verborgen verbanden kan zien die een mens niet zou opmerken.

Hoe werkt hun "detectivewerk"?

1. Het Verzamelen van Bewijs:
   Ze hebben data gebruikt van openSNP, een soort openbare database waar duizenden mensen hun eigen DNA-resultaten en hun gezondheidsgeschiedenis hebben gedeeld. Ze hebben gekeken naar 30 verschillende "verhalen" (fenotypes), variërend van "heb ik last van migraine?" tot "heb ik een hoge bloeddruk?".

2. De Grote Sorteerpartij:
   De AI-modellen kregen de taak om mensen in twee groepen te verdelen:

   • De "Zieke" groep (Cases): Mensen met het probleem (bijvoorbeeld migraine).
   • De "Gezonde" groep (Controls): Mensen zonder het probleem.

   De AI keek naar miljoenen kleine DNA-varianten en probeerde te raden: "Welke van deze kleine foutjes maakt het verschil tussen groep A en groep B?"

3. De Slimme Selectie:
   De beste AI-modellen (die het meest nauwkeurig de twee groepen konden onderscheiden) kregen de opdracht om te zeggen: "Kijk eens, deze specifieke DNA-varianten zijn het belangrijkst voor het voorspellen van de ziekte."

   Dit is alsof je een detective vraagt: "Welke aanwijzingen op de plaats delict waren het meest cruciaal om de dader te vinden?" De AI sorteert de aanwijzingen van "belangrijk" naar "niet zo belangrijk".

4. De Controle:
   Om te zien of hun AI echt slim was, vergeleken ze hun resultaten met de "Grote Boek van Ziektes" (de GWAS Catalog). Dit is een bestaande lijst van wetenschappers die al jarenlang handmatig hebben gezocht naar genen die bij ziektes horen.

   Het resultaat? De AI vond in veel gevallen dezelfde genen als de menselijke wetenschappers, maar soms ook nieuwe kandidaten die nog niet eerder waren ontdekt.

Wat was het resultaat?
Het was een groot succes! Gemiddeld vonden hun AI-modellen 84% van de genen die al bekend waren.

• Voor sommige ziektes, zoals hoofdpijn of hoge bloeddruk, was de AI bijna perfect.
• Voor andere, zoals migraine, was het iets lastiger, maar de AI gaf wel sterke hints.

Waarom is dit belangrijk?
Vroeger duurde het jaren om te vinden welk gen verantwoordelijk was voor een ziekte. Met deze methode kunnen we dat veel sneller doen.

• Voor de patiënt: Het helpt om te begrijpen waarom je ziek bent.
• Voor de dokter: Het kan leiden tot betere medicijnen die precies op die specifieke foutjes in je DNA werken (precisiemedicijnen).
• Voor de wetenschap: Het is als een schatkaart die ons vertelt waar we moeten graven om de oorzaken van complexe ziektes te vinden.

Kortom:
De onderzoekers hebben bewezen dat je niet altijd met de hand hoeft te zoeken in die enorme DNA-bibliotheek. Als je de juiste digitale detectives (AI) inzet, kunnen ze je vertellen welke boeken (genen) echt belangrijk zijn voor je gezondheid, zodat we ziektes beter kunnen begrijpen en behandelen.

Technische samenvatting

Titel: Genen identificeren die geassocieerd zijn met fenotypes met behulp van machine learning en deep learning

Auteurs: Muhammad Muneeb, David B. Ascher, YooChan Myung
Bron: Journal Title Here (2023)

---

1. Probleemstelling

Het identificeren van genen die verantwoordelijk zijn voor specifieke ziekten of eigenschappen (fenotypes) is cruciaal voor de ontwikkeling van gepersonaliseerde geneeskunde en het begrijpen van biologische processen. Traditionele methoden, zoals Genome-Wide Association Studies (GWAS), zijn effectief maar hebben beperkingen:

• Ze identificeren vaak enkelvoudige Single Nucleotide Polymorphisms (SNPs) met significante associaties, maar missen complexe, niet-lineaire interacties tussen genen.
• De gevonden varianten hebben vaak een beperkte voorspellende waarde voor de onderliggende biologische mechanismen.
• Er is behoefte aan methoden die SNPs kunnen prioriteren op basis van hun bijdrage aan het onderscheid tussen gevallen (cases) en controles, zonder uitsluitend te vertrouwen op p-waarden.

De auteurs stellen de vraag of machine learning (ML) en deep learning (DL) modellen gebruikt kunnen worden om SNPs te selecteren die de classificatie van fenotypes maximaliseren, en of deze SNPs vervolgens kunnen leiden tot de identificatie van relevante genen die overeenkomen met bestaande GWAS-catalogi.

2. Methodologie

De auteurs hebben een pipeline ontwikkeld die bestaat uit twee onderling verbonden processen: classificatie van individuen en berekening van feature importance (belang van kenmerken).

Data-voorbereiding:

• Bron: OpenSNP dataset (crowdsourced persoonlijke genomics data).
• Selectie: Uit 6.401 genotype-bestanden en 668 fenotypes werden 30 binaire fenotypes geselecteerd voor analyse.
• Kwaliteitscontrole: Toepassing van Hardy-Weinberg-evenwicht, filtering op missingness (ontbrekende data) en minor allele frequency (MAF).
• Referentie: Vergelijking met de GWAS Catalog voor 30 fenotypes. Fenotypes zonder overlap in SNPs tussen de dataset en de catalogus werden verwijderd.

Modeltraining en Validatie:

• Data-splitsing: Stratified 5-fold cross-validatie (80% training, 20% test).
• SNP-reductie: Toepassing van p-waarde drempels (Fisher's exact test) om de top 50 tot 10.000 SNPs te selecteren voor training.
• Algoritmen:
  • Machine Learning (ML): 21 algoritmen, waaronder XGBoost, Random Forest, Gradient Boosting, SVM en SGD.
  • Deep Learning (DL): 80 varianten van 4 architecturen: Artificial Neural Networks (ANN), Gated Recurrent Units (GRU), Long Short-Term Memory (LSTM) en Bidirectional LSTM (BILSTM). De netwerken hadden 5 lagen met een neuron-aantal dat adaptief was op basis van het aantal SNPs ($S$).
• Evaluatiemetrics: Area Under the Curve (AUC), F1-score en Matthews Correlation Coefficient (MCC).

Feature Importance en Gen-identificatie:

• ML: Gebruik van coëfficiënten (voor lineaire modellen) of impurity-reductie/feature usage (voor boom-gebaseerde modellen zoals XGBoost).
• DL: Gebruik van Feature Dropout: een feature wordt individueel uitgesloten en de daling in prestatie ten opzichte van de baseline wordt gemeten. Een grotere daling impliceert een hogere belangrijkheid.
• Validatie: De top-gesorteerde SNPs van de best presterende modellen werden vergeleken met SNPs en genen uit de GWAS Catalog. De Gene Identification Ratio (GIR) werd berekend als:
  $$GIR = \frac{\text{Aantal geïdentificeerde genen}}{\text{Aantal genen in GWAS Catalog}}$$

3. Belangrijkste Resultaten

Classificatieprestaties:

• ML vs. DL: Deep learning modellen presteerden over het algemeen beter op de F1-score en MCC, terwijl machine learning modellen (vooral XGBoost) een iets hogere AUC behaalden.
• Beste modellen: XGBoost en zijn varianten waren het meest succesvol voor AUC (18 van de 30 fenotypes). SGD-classifiers presteerden goed op MCC. Voor DL presteerde het ANN-model het best over de meeste metrics.

Gen-identificatie:

• Gemiddelde GIR: De gemiddelde per-fenotype gen-identificatie ratio was 0,84. Dit betekent dat de ML/DL-methoden in staat waren om een groot deel van de in de GWAS Catalog bekende genen opnieuw te identificeren.
• Correlatie met prestaties: Er werd een sterke positieve correlatie gevonden tussen modellen die geoptimaliseerd waren op de MCC (voor DL) en het aantal geïdentificeerde genen. Dit suggereert dat het optimaliseren voor MCC meer causale genen kan opleveren dan alleen het maximaliseren van AUC.
• Drie scenario's:
  1. Geen gen geïdentificeerd (ondanks goede classificatie), mogelijk door data-kwaliteit, linkage disequilibrium of populatiestructuur.
  2. Sterke correlatie tussen classificatieprestatie en aantal geïdentificeerde genen.
  3. Genen geïdentificeerd zonder directe link tot de classificatieprestatie (door verschillende classificatiemethoden).

Gedeelde Genen:

• De analyse toonde gedeelde SNPs en genen tussen verschillende fenotypes aan (bijv. tussen Depressie, Mentale Ziekte en ADHD), wat wijst op gedeelde genetische risicofactoren voor neuro-ontwikkelings- en psychiatrische aandoeningen.

4. Bijdragen en Innovatie

• Nieuwe Pipeline: Een geautomatiseerde workflow die ML/DL gebruikt voor variant-prioritisatie in plaats van traditionele p-waarde filtering alleen.
• Feature Importance voor Genen: Het succesvol toepassen van feature-importance technieken (zoals feature dropout in DL) om SNPs te rangschikken en deze te koppelen aan genen.
• Validatie tegen GWAS: Een robuuste validatiestap waarbij de resultaten direct worden vergeleken met de gevestigde GWAS Catalog, wat de betrouwbaarheid van de aanpak onderstreept.
• Open Science: De volledige code, datasets en resultaten zijn beschikbaar gesteld via GitHub.

5. Betekenis en Conclusie

De studie demonstreert dat machine learning en deep learning krachtige hulpmiddelen zijn om causale genen te identificeren die geassocieerd zijn met fenotypes. De resultaten suggereren dat:

1. SNPs die de classificatieprestatie maximaliseren, vaak biologisch relevant zijn en overeenkomen met bekende GWAS-associaties.
2. Het combineren van verschillende evaluatiemetrics (AUC, F1, MCC) en modellen (ML en DL) de kans vergroot om de juiste genen te vinden.
3. Deze aanpak kan dienen als een pre-processing stap voor GWAS om genomische regio's te filteren en potentiële therapeutische targets sneller te identificeren.

Hoewel de gemiddelde GIR hoog was (0,84), waarschuwen de auteurs dat deze waarde gevoelig is voor fenotypes met weinig overlap in de dataset. De kwaliteit van de genotype-data, de populatiestructuur en de keuze van de p-waarde-drempel zijn kritieke factoren voor het succes van de gen-identificatie.

De studie biedt een veelbelovende route om de "black box" van genetische associaties te openen en de overgang te versnellen van statistische associaties naar functioneel begrip van ziektemechanismen.