新型人工智能模型预测哪些基因突变真正驱动疾病

研究团队着手利用人工智能（AI）和常规实验室检测（如胆固醇、血细胞计数和肾功能）来解决这一问题。研究结果详情发表在8月28日《科学》杂志（Science）的在线版上。他们的新方法将机器学习与电子健康记录相结合，为遗传风险提供了更精准、数据驱动的视角。

传统的遗传研究通常依赖简单的“是/否”诊断对患者进行分类。但许多疾病，如高血压、糖尿病或癌症，并不能简单地归入二元类别。西奈山的研究人员训练了AI模型，在疾病谱系上量化疾病，从而更细致地揭示疾病风险在现实生活中的实际体现。

“我们希望超越非黑即白的答案，这些答案常常让患者和医生对基因检测结果的实际意义感到不确定，”资深研究作者、西奈山伊坎医学院个性化医学Charles Bronfman教授Ron Do博士说道。“通过利用人工智能和现实世界的实验室数据——例如胆固醇水平或血细胞计数，这些已是大多数医疗记录的一部分——我们现在能更好地估计携带特定遗传变异的个体患病的可能性。这是一种更细致、可扩展且更便捷的方法，以支持精准医疗，尤其是在处理罕见或意义不明确的发现时。”

利用超过100万份电子健康记录，研究人员针对10种常见疾病构建了AI模型。随后，他们将这些模型应用于已知携带罕见遗传变异的人群，生成一个介于0到1之间的分数，该分数反映了罹患该疾病的可能性。

更高的分数（接近1）表明该变异可能更易导致疾病，而较低的分数则表明风险极小或无风险。团队计算了超过1,600个遗传变异的“机器学习外显率”（ML penetrance）分数。

研究人员称，部分结果出人意料。一些先前被标记为“意义不明”的变异显示出明确的疾病信号，而另一些被认为会导致疾病的变异在真实世界数据中影响甚微。

“虽然我们的AI模型并非旨在取代临床判断，但它可能成为一种重要的指导工具，尤其在检测结果不明确时。未来医生可利用机器学习外显率分数来决定患者是否应接受早期筛查或采取预防措施，或者如果变异风险较低，则可避免不必要的担忧或干预，”主要研究作者、西奈山伊坎医学院Do博士实验室的Iain S. Forrest医学博士与哲学博士表示。“例如，若患者携带与林奇综合征相关的罕见变异且评分较高，则可触发早期癌症筛查；但如果风险较低，则可避免仓促下结论或过度治疗。”

该团队目前正致力于扩展模型，纳入更多疾病、更广泛的遗传改变以及更多样化的人群。他们还计划追踪这些预测随时间推移的准确性——携带高风险变异的个体是否最终会患病，以及早期干预能否发挥作用。

“最终，我们的研究指向了一个潜在的未来：在那里，人工智能与常规临床数据携手合作，为解读基因检测结果的患者和家庭提供更个性化、更具可操作性的见解，”Do博士说。“我们希望这成为一种可扩展的方式，以支持更优的决策、更清晰的沟通以及对遗传信息真实含义的更充分信心。”

该论文题为“基于机器学习的遗传变异外显率”（"Machine learning-based penetrance of genetic variants."）。

该研究的作者（按期刊所列）为：Iain S. Forrest, Ha My T. Vy, Ghislain Rocheleau, Daniel M. Jordan, Ben O. Petrazzini, Girish N. Nadkarni, Judy H. Cho, Mythily Ganapathi, Kuan-Lin Huang, Wendy K. Chung 和 Ron Do。

该研究部分获得了以下基金资助：美国国立卫生研究院（NIH）国家普通医学科学研究所（T32-GM007280）；NIH国家普通医学科学研究所（R35-GM124836）；国家糖尿病、消化和肾脏疾病研究所（U24-DK062429）；NIH国家人类基因组研究所（R01-HG010365）；NIH国家普通医学科学研究所（R35-GM138113）；国家糖尿病、消化和肾脏疾病研究所（U24-DK062429）。

* 西奈山医疗系统成员医院：西奈山医院；西奈山布鲁克林分院；西奈山晨边高地分院；西奈山皇后区分院；西奈山南拿骚分院；西奈山西区分院；西奈山纽约眼耳医院