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

De ziekte van Alzheimer is een meedogenloze aandoening die het geheugen en het denkvermogen aantast en uiteindelijk het vermogen van een persoon om voor zichzelf te zorgen, wegneemt. Hoewel we weten dat sommige mensen met een hogere kans op het ontwikkelen ervan worden geboren, zijn de redenen zelden eenvoudig. Wetenschappers weten al lang dat een specifieke genvariant, de APOE ε4, fungeert als een krachtig waarschuwingssignaal, maar dat vertelt slechts een deel van het verhaal. Veel mensen dragen deze variant en ontwikkelen de ziekte nooit, terwijl anderen die de variant niet dragen, toch ziek worden. Dit suggereert dat het risico niet in één enkele schakelaar zit, maar verspreid is over duizenden kleine verschillen in ons DNA, die elk een klein beetje bijdragen aan het totale plaatje. Jarenlang hebben onderzoekers geprobeerd deze kleine bijdragen bij elkaar op te tellen om één enkele score te creëren die voorspelt wie het meest waarschijnlijk ziek zal worden. Deze traditionele methoden gaan echter vaak uit van de aanname dat de genen onafhankelijk van elkaar werken, zoals het optellen van individuele gewichten, en ze hebben moeite om de complexe manieren te vatten waarop genen met elkaar kunnen interageren.

Een team van onderzoekers in Italië zette zich in om te zien of moderne computertools dit beter konden doen bij het lezen van deze genetische code. Ze verzamelden gegevens van bijna één duizend oudere volwassenen, sommigen met Alzheimer en sommigen zonder, en bekeken miljoenen genetische markers. In plaats van te vertrouwen op de standaardformules die decennialang zijn gebruikt, trainden ze verschillende soorten kunstmatige intelligentie-modellen. Deze modellen waren ontworpen om van de gegevens zelf te leren, op zoek naar patronen die te subtiel of te ingewikkeld zouden kunnen zijn voor traditionele wiskunde. De onderzoekers wilden weten of deze slimme algoritmen de verborgen verbindingen tussen genen konden opsporen die tot de ziekte leiden, en of ze de kans op risico nauwkeuriger konden voorspellen dan de oude methoden.

De resultaten toonden aan dat de computermodellen inderdaad effectiever waren. Het best presterende systeem van kunstmatige intelligentie was in staat om het onderscheid te maken tussen degenen met de ziekte en degenen zonder met een aanzienlijk hogere nauwkeurigheid dan de traditionele scoringsmethoden. Deze verbetering was het meest opvallend toen de onderzoekers het bekende APOE-gen in de analyse opnamen, wat suggereert dat de computermodellen zeer goed waren in het wegen van deze belangrijke risicofactor naast de duizenden kleinere factoren. Echter, toen de onderzoekers het APOE-gen uit de mix verwijderden om te zien of de modellen andere signalen konden vinden, kromp het voordeel van de complexe computermodellen. In dit scenario presteerden de simpelere, traditionele methoden net zo goed als de geavanceerde modellen. Deze bevinding suggereert dat, hoewel kunstmatige intelligentie krachtig is in het vastleggen van complexe interacties, een groot deel van het resterende genetische risico bij Alzheimer nog steeds een meer rechtlijnig, additief patroon volgt dat oudere methoden al goed kunnen afhandelen.

Buiten het voorspellen van risico om, gebruikten de onderzoekers een speciale techniek om te begrijpen wat de computer eigenlijk "denkt". Ze vroegen het model om uit te leggen welke specifieke genetische veranderingen de beslissingen aanstuurden. De analyse bracht een handvol genetische varianten aan het licht die het model als meest belangrijk beschouwde. Een hiervan was de bekende APOE-variant, die het model terecht identificeerde als het sterkste signaal. Maar het model wees ook op andere genen die in eerdere studies niet zo prominent aanwezig waren geweest. Zo markeerde het een gen dat betrokken is bij hoe cellen met stress omgaan en een ander dat een rol speelt in hoe de immuuncellen van de hersenen het vetmetabolisme beheren. Deze bevindingen suggereren dat de ziekte gedreven kan worden door een combinatie van factoren, waaronder hoe cellen met stress omgaan en hoe het immuunsysteem van de hersenen functioneert, wat nieuwe aanwijzingen biedt voor toekomstig onderzoek.

De studie onderzocht ook of deze modellen mensen met het hoogste of laagste risico konden identificeren. Wanneer de onderzoekers de uiterste uiteinden van het risicospectrum onderzochten, viel een van de computermodellen op door zijn vermogen om mensen beter in hoog-risico en laag-risicogroepen te sorteren dan welke andere geteste methode dan ook. Dit is een cruciale capaciteit voor vroege interventie, omdat het artsen kan helpen om individuen te identificeren die het meeste baat kunnen hebben bij preventieve maatregelen voordat symptomen verschijnen. De onderzoekers waren echter voorzichtig en merkten op dat hun werk gebaseerd was op een specifieke groep mensen en dat de modellen getest moeten worden op grotere, meer diverse populaties om te garanderen dat ze voor iedereen werken.

Uiteindelijk demonstreert dit onderzoek dat machine learning ons begrip van het genetische risico voor de ziekte van Alzheimer kan verbeteren, met name bij het omgaan met de complexe wisselwerking van vele genetische factoren. Hoewel de traditionele methoden nuttig blijven, vooral wanneer men naar het bredere genetische plaatje kijkt zonder de grote bekende genen, biedt de nieuwe aanpak een scherpere lens voor het identificeren van de meest kwetsbare individuen. Door specifieke genen te onthullen die betrokken zijn bij cellulaire stress en immuunfunctie, biedt de studie een routekaart voor wetenschappers om nieuwe biologische paden te verkennen. Het werk biedt geen genezing, maar het biedt een nauwkeurigere manier om risico te meten en een duidelijker beeld van de biologische mechanismen die op een dag tot nieuwe behandelingen kunnen leiden.