Tým vědců z Mount Sinai pod vedením Bena Petrazziniho publikoval revoluční studii, která kombinuje umělou inteligenci s genomickou analýzou k odhalení nových genetických faktorů ischemické choroby srdeční (ICHS). Místo tradičního přístupu založeného na diagnostických kódech vytvořili pokročilý algoritmus strojového učení, který analyzuje komplexní klinická data z elektronických zdravotních záznamů více než 600 000 lidí. 

Jejich inovativní "in silico skóre pro ICHS" (ISCAD) dokáže zachytit spektrum onemocnění od časných stadií až po pokročilé formy, včetně dosud nediagnostikovaných případů. Tento přístup umožnil identifikovat 17 genů s významnými asociacemi s ICHS, přičemž 14 z nich vykazuje alespoň střední úroveň průkaznosti pro spojitost se srdečními onemocněními. Analýza zahrnovala vzácné genetické varianty s frekvencí výskytu méně než 1% a velmi vzácné varianty s frekvencí pod 0,01%. 

Klíčové objevy studie zahrnují geny ovlivňující lipidový metabolismus (APOB, APOC3, LDLR, LIPG), diabetes 2. typu (HECTD4, GCK, PPARG), hypertenzi (PLCB3, SOS2) a zánětlivé procesy (SH2B3). Zajímavé je, že studie odhalila také geny zapojené do netradičních mechanismů, jako je transport oxysterolů (OSBPL3), sestavování mitotického vřeténka (EML3) nebo mikrotubulární transport (KLC3). Tyto nálezy rozšiřují naše chápání genetického základu ICHS nad rámec známých rizikových faktorů. 

Praktický význam těchto objevů spočívá v možnosti vytvoření polygenetických rizikových skóre, která by mohla doplnit současné metody hodnocení kardiovaskulárního rizika. Analýza také ukázala nabohacení velmi vzácných variant v 321 genech známých pro jejich spojitost s ICHS, což naznačuje, že další genetické faktory čekají na objevení. To má důležité implikace pro vývoj personalizované medicíny a cílené prevence. 

Studie představuje důležitý metodologický pokrok v genomické medicíně. Ukazuje, jak moderní technologie strojového učení mohou zlepšit genetické asociační studie pro komplexní onemocnění. Místo spoléhání pouze na tradiční diagnostické kategorie dokáže ISCAD identifikovat kontinuum rizika, což může vést k časnější detekci a lepší stratifikaci pacientů. Pro budoucnost kardiologie to znamená možnost přesnější predikce rizika a individualizované prevence založené na genetickém profilu pacienta. 

Zdroje:

Petrazzini, B.O., Forrest, I.S., Rocheleau, G., et al. Exome sequence analysis identifies rare coding variants associated with a machine learning-based marker for coronary artery disease. Nat Genet. 2024;56(7):1412-1419. doi:10.1038/s41588-024-01791-x URL: https://www.nature.com/articles/s41588-024-01791-x