Quantifying the genetic separability of disease subtypes

Veel ziekten zijn geen enkelvoudige, uniforme condities, maar eerder verzamelingen van verschillende subtypen, vergelijkbaar met hoe "hoofdpijn" een spanningshoofdpijn, een migraine of een clusterhoofdpijn kan beschrijven. Artsen classificeren deze subtypen vaak op basis van symptomen, waar de ziekte in het lichaam verschijnt, of hoe een patiënt op een behandeling reageert. Deze onderscheidingen zijn belangrijk omdat ze kunnen leiden tot prognose en behandelkeuzes. Echter, de symptomen van een patiënt onthullen niet altijd duidelijk hun specifieke subtype, en soms kan een onjuiste classificatie de juiste zorg vertragen. Wetenschappers vragen zich al lang af of genetica kan helpen om deze subtypen uit elkaar te houden. Aangezien elk persoon een unieke set genetische instructies draagt die hun risico op ziekte beïnvloeden, lijkt het logisch dat de genetische profielen van mensen met verschillende subtypen er anders uit zouden zien. De centrale vraag is of deze genetische verschillen sterk genoeg zijn om betrouwbaar het ene subtype van het andere te onderscheiden, of dat de subtypen genetisch zo vergelijkbaar zijn dat hun DNA weinig hulp biedt bij het maken van een onderscheid.

Een team van onderzoekers heeft een nieuwe statistische tool ontwikkeld om deze vraag te beantwoorden, waarbij ze verder gaan dan eenvoudige vergelijkingen om het ware potentieel van genetica om ziekte subtypes te scheiden te meten. Ze noemen hun methode GenSep. In plaats van alleen te testen hoe goed huidige genetische tests werken, berekent GenSep een theoretisch maximum: de best mogelijke discriminatie die ooit bereikt zou kunnen worden als wetenschappers de exacte genetische risico's voor elke persoon zouden kennen zonder enige fout. Deze theoretische limiet fungeert als een plafond. Door dit plafond te vergelijken met de prestaties van bestaande genetische voorspellingsinstrumenten, kunnen de onderzoekers bepalen of het probleem is dat de subtypen fundamenteel te veel op elkaar lijken om door genetica te worden gescheiden, of dat de huidige instrumenten simpelweg nog niet goed genoeg zijn.

De onderzoekers pasten dit kader toe op achttien paren van ziektesubtypen met behulp van gegevens uit de UK Biobank, een enorme medische database die genetische en gezondheidsinformatie bevat van honderdduizenden vrijwilligers. Ze bekeken paren variërend van type 1 en type 2 diabetes tot verschillende vormen van inflammatoire darmziekte en schildklieraandoeningen. Voor elk paar berekenden ze eerst het genetische plafond. De resultaten lieten zien dat voor veel subtypen het plafond vrij hoog was. Zo was het genetische verschil tussen type 1 en type 2 diabetes zo uitgesproken dat een perfecte genetische test hen in theorie met bijna perfecte nauwkeurigheid zou kunnen scheiden. Evenzo vertoonden de genetische profielen voor hypothyreoïdie en hyperthyreoïdie, evenals de ziekte van Crohn en colitis ulcerosa, een zeer sterke scheiding. In deze gevallen ondersteunt de genetica duidelijk het klinische onderscheid tussen de subtypen.

Echter, wanneer de onderzoekers de werkelijke genetische voorspellingsinstrumenten testten die momenteel beschikbaar zijn, waren de resultaten scherp verschillend. Deze instrumenten, bekend als polygene risicoscores, aggregeren de effecten van duizenden genetische varianten om het risico van een persoon in te schatten. In de praktijk presteerden deze scores slecht bij het onderscheiden van de subtypen. Over de achttien paren heen bereikten de beste huidige instrumenten een mediane nauwkeurigheid die nauwelijks beter was dan willekeurige gokken. Terwijl het theoretische plafond voor het scheiden van type 1 en type 2 diabetes bijna perfect was, slaagden de werkelijke instrumenten er slechts in een fractie van dat potentieel te vatten. Sterker nog, voor de meeste van de achttien paren brachten de huidige instrumenten minder dan vijf procent van de genetische scheiding terug die theoretisch bestaat. Deze kloof onthult dat de subtypen vaak genetisch verschillend genoeg zijn om uit elkaar gehaald te worden, maar dat onze huidige methoden nog niet nauwkeurig genoeg zijn om dat te doen.

De studie onderzocht ook of het gebruik van grotere datasets om deze genetische instrumenten te bouwen het probleem zou oplossen. De onderzoekers testten instrumenten die getraind waren op gegevens uit andere grote studies, waaronder het FinnGen-project in Finland en enorme internationale consortia met honderdduizenden deelnemers. Verrassend genoeg leidden deze externe datasets, hoewel ze twee tot vier keer groter waren dan de data die gebruikt werd om de interne instrumenten te trainen, niet tot een significante verbetering van het vermogen om de subtypen te onderscheiden. De grotere steekproefomvang vertaalde zich niet in een betere discriminatie. Dit suggereert dat het simpelweg toevoegen van meer data niet de volledige oplossing is; de instrumenten zelf moeten mogelijk fundamentele verbeteringen ondergaan, of de genetische signalen zijn moeilijker te vangen dan verwacht vanwege verschillen in hoe genetische patronen variëren over populaties heen.

Om te begrijpen hoe veel groter de studies zouden moeten zijn om de theoretische limieten te bereiken, voerden de onderzoekers simulaties uit om toekomstige prestaties te projecteren. Voor de drie paren met de hoogste genetische scheiding — type 1 versus type 2 diabetes, hypothyreoïdie versus hyperthyreoïdie, en de ziekte van Crohn versus colitis ulcerosa — berekenden ze het aantal patiënten dat vereist is om een instrument te bouwen dat het genetische plafond kan evenaren. De cijfers waren verbijsterend. Om een hoog niveau van nauwkeurigheid te bereiken voor type 1 versus type 2 diabetes, zouden ze ongeveer 29.000 trainingsgevallen voor elk subtype nodig hebben. Voor hypothyreoïdie versus hyperthyreoïdie steeg de vereiste naar ongeveer 161.000 gevallen per subtype. Voor de ziekte van Crohn versus colitis ulcerosa suggereerde de simulatie een behoefte aan bijna twee miljoen gevallen per subtype. Deze cijfers geven aan dat hoewel het genetische potentieel bestaat, het overbruggen van de kloof tussen de huidige prestaties en dat potentieel enorme hoeveelheden data en waarschijnlijk betere voorspellingsmethoden zal vereisen.

De bevindingen hielden stand toen de onderzoekers ze testten in andere grote cohorten, zoals het All of Us-programma in de Verenigde Staten en het Million Veteran Program, dat deelnemers met diverse afkomst bevat. De theoretische plafonds voor de meeste subtypen waren consistent over deze verschillende groepen en afstammelingen, wat suggereert dat de genetische scheiding een echt biologisch kenmerk is en geen artefact van een specifieke dataset. Er waren echter uitzonderingen waarbij de definitie van de ziekte ertoe deed. Zo leek de genetische scheiding tussen type 1 en type 2 diabetes in één dataset veel lager omdat de manier waarop de ziekte daar werd geregistreerd de twee subtypen mengde, waardoor het genetische signaal vervaagde. Dit benadrukte dat de manier waarop een ziekte wordt gedefinieerd en geregistreerd net zo cruciaal is als de genetica zelf.

Uiteindelijk biedt dit werk een duidelijke kaart voor de toekomst van precisiegeneeskunde met betrekking tot ziektesubtypen. Het scheidt het probleem in twee categorieën: die waar de genetische verschillen te klein zijn om nuttig te zijn, en die waar de verschillen groot zijn maar onze instrumenten momenteel te zwak zijn om ze te detecteren. Voor die laatste groep, die verschillende belangrijke paren ziekten omvat, is de weg vooruit duidelijk. De genetische architectuur ondersteunt het onderscheiden van deze subtypen, maar het bereiken daarvan in de praktijk zal veel grotere studies en meer geavanceerde voorspellingsmodellen vereisen. De studie beweert niet dat genetische tests onmiddellijk de klinische diagnose zullen vervangen, maar het stelt een realistisch ijkpunt vast. Het laat zien dat voor sommige condities het genetische blauwdruk klaar is om gelezen te worden; we hebben alleen betere lezers nodig.