Нейросеть как способ диагностики и лечения болезней

ДНК человека — это важнейший датасет для организма, который определяет строение и функцию клеток. В этом большом количестве данных скрываются подсказки к лечению как хорошо изученных, так и неизвестных болезней. Искусственный интеллект (ИИ) помогает выявить скрытые закономерности на молекулярном уровне.

Использование нейросетей в интерпретации генома

Ген — это физическая и функциональная единица наследственности, которая состоит из ДНК¹. Гены несут информацию о физических и биологических признаках организма. Примерно 20 000 генов содержат инструкции по созданию белков. Белки выполняют разные функции, выступая строительным материалом для клеток и тканей².

Под геномом понимают совокупность всех генов в клетке организма. В нём есть вся информация, которая необходима человеку для развития и функционирования³. Чтобы расшифровать неизвестные варианты генома, учёные используют нейросети.

Нейросеть упрощает процесс секвенирования — расшифровки последовательности ДНК⁴:

• ускоряет клиническую интерпретацию генома;

• аннотирует и распознаёт отдельные генетические варианты;

• выявляет сложные зависимости в последовательности ДНК.

Платформа на основе ИИ Fabric Gem ускоряет интерпретацию генома. Нейросеть находит связь между наследственными особенностями и клиническими данными. Цель — выявить ген, который может быть причиной неизвестной болезни⁵. Установленный диагноз помогает быстрее начать лечение. Это особенно важно, если речь идёт о тяжелобольных детях в первые 24–48 часов жизни⁶.

Диагностика и лечение моногенных генетических болезней

Моногенные болезни возникают при нарушениях в одном из генов, например из-за мутаций. В результате белок кодируется и образуется неправильно, что вызывает разные проявления в зависимости от нарушенного гена⁷.

Ниже описываем исследования, в которых нейросеть помогала понять природу различных моногенных болезней, чтобы подобрать лечение.

Болезнь Хантингтона

Болезнь Хантингтона сопровождается дегенерацией нервных клеток в мозге, что вызывает нарушения движения и мышления⁸.

Нейросеть ускоряет генетический анализ при идентификации болезни. В одном исследовании, проведённом в Испании, учёные использовали нейросеть, чтобы распознать болезнь Хантингтона. Принцип работы нейросети⁹:

1. На вход подаются данные метилирования ДНК.

2. На основе химического изменения молекулы ДНК алгоритмы предполагал, норма это или болезнь Хантингтона.

3. Наибольшая чувствительность составила 95%, а специфичность — 80%.

Исследователи считают, что автоматизированный скрининг поможет разработать методы лечения болезни⁹.

Гемофилия А

Гемофилия А — генетическая болезнь, при которой белок — фактор свёртывания крови VIII (FVIII) — имеет дефекты или отсутствует. Из-за этого даже незначительные порезы могут долго кровоточить¹⁰.

Учёные из Бразилии использовали нейросеть, чтобы изучить белковую структуру FVIII у пациентов с гемофилией А. Предполагается, что различия в строении белка связаны с тяжестью болезни. Алгоритм помог разграничить нейтральные мутации и те, что негативно влияют на функцию FVIII¹¹.

Мышечная дистрофия Дюшенна

Мышечная дистрофия Дюшенна (МДД) — наследственная болезнь, при которой наблюдается прогрессирующая дегенерация мышц. Причина — изменение белка дистрофина, поддерживающего целостность мышечных клеток¹².

Учёные из университета Флориды и университета Колорадо использовали нейросеть для оценки прогрессирования МДД¹³:

1. Входными данными стали МРТ-снимки, по которым можно отследить постепенное замещение мышечной ткани на жировую.

2. Нейросеть распознаёт зону с выраженными изменениями и оценивает текстуру мышц.

3. Полученный показатель помогает определить подтип болезни, чтобы скорректировать лечение.

Точность работы нейросети составила 91,7%. Метод может оказать помощь в мониторинге наследственной болезни мышц¹³.

Исследователи из Китая собрали 2536 МРТ-снимков для 432 случаев мышечных заболеваний. 148 случаев составили болезни, имеющие генетическую природу, — дистрофинопатии. В их число вошла и МДД¹⁴.

Нейросеть выбирала на изображении зону интереса и классифицировала её как дистрофинопатию или как другое мышечное заболевание. Точность работы информационной модели составила 91%. Разработка может повысить значение МРТ-исследования в диагностике МДД¹⁴.

Поликистозная болезнь почек

Поликистозная болезнь почек (ПБП) — наследственная патология, при которой в почках образуется множество мешочков, заполненных жидкостью, — кист. Объём поражённого органа увеличивается, а его функция нарушается вплоть до развития почечной недостаточности¹⁵.

В одном исследовании нейросеть автоматически измерила общий объём почек по МРТ-снимкам. Показатель помогает специалистам оценить тяжесть ПБП, что важно при планировании лечения¹⁶.

Обычно врач-рентгенолог выделяет контуры анатомической области. Ручной процесс может отнимать много времени. Нейросеть помогла сделать это на 51% быстрее у 53 пациентов. Если было необходимо, то специалист исправлял результаты автоматической разметки¹⁶.

Идентификация редких наследственных болезней по фотографии человека

Учёные из Национального научно-исследовательского института генома человека (NHGRI) разработали нейросеть, которая помогает различить 6 генетических заболеваний с проявлениями на коже¹⁷:

1. Информационная модель была обучена на панорамных изображениях отдельной части тела. На ряде фотографий фокус был только на участке с патологией.

2. Модель распознавала кожные признаки генетических болезней как совокупность пикселей изображения с необычными характеристиками.

3. При тестировании в обоих случаях она достигла точности 81,4%.

При некоторых наследственных заболеваниях черты лица приобретают особенности. Например, при синдроме Уильямса у детей наблюдается широкий лоб, плоская переносица и небольшой подбородок¹⁸.

В одних случаях изменения лица характерные, так что распознать их несложно. В других диагностика может быть затруднена. Возможности нейросети позволяют правильно поставить диагноз.

Учёные из Китая представили технологию распознавания лиц VGG-16, которая определяет наследственные синдромы по фотографии. В исследовании приняли участие дети с 35 генетическими патологиями, включая синдром Дауна и синдром Уильямса¹⁹.

Как проходило исследование19:

1. На фронтальных фотографиях лица выделили ключевые области.

2. Нейросеть обрабатывала и распознавала их, определяя наиболее вероятный синдром.

3. Показатели модели сравнивались с заключениями пяти педиатров.

Точность решений нейросети составила 89%. Разработка поможет проводить скрининг наследственных синдромов в клинической практике¹⁹.

Специалисты из США, Германии, Южной Африки разработали похожую нейросеть под названием GestaltMatcher. Для его обучения и тестирования использовали фотографии 17 560 пациентов с 1115 редкими синдромами. Алгоритм может разграничить даже неизвестные патологии, которые не вошли в тренировочный набор²⁰.

Другой пример — мобильное приложение Face2Gene от разработчиков из США. Диагностический инструмент, доступный для смартфона, предназначен для медицинских работников. В основе Face2Gene лежат алгоритмы на основе глубокого обучения и компьютерного зрения²¹. Нейросеть обучена распознавать 216 наследственных болезней²².

Развитие и будущее данного направления

Для успешного использования нейросетей и ИИ в генетике необходимо²³:

• обеспечить конфиденциальность информации и безопасную передачу данных для медицинских и научных исследований;

• создать базы данных, которые помогут улучшить работу алгоритмов;

• устранить возможную неточность и предвзятость данных.

Будущее связано с разработкой технологий, которые будут учитывать сложные причинно-следственные связи между генами и клетками организма. Это позволит прогнозировать изменения при определённом наследственном варианте. Учёные рассчитывают, что ИИ поможет разрабатывать лечение для редких и неизвестных болезней²⁴.

Источники

1. Что такое ген? [Электронный ресурс]: MedlinePlus. URL: https://medlineplus.gov/genetics/understanding/basics/gene/.

2. Ген [Электронный ресурс]: National Human Genome Research Institute. URL: https://medlineplus.gov/genetics/understanding/basics/gene/.

3. Геном [Электронный ресурс]: National Human Genome Research Institute. URL: https://www.genome.gov/genetics-glossary/Genome.

4. Dias R, Torkamani A. Artificial intelligence in clinical and genomic diagnostics. Genome Med. 2019 Nov 19;11(1):70. doi: 10.1186/s13073-019-0689-8. PMID: 31744524; PMCID: PMC6865045.

5. Fabric Gem [Электронный ресурс]: Fabric Genomics. URL: https://fabricgenomics.com/fabric-gem/.

6. De La Vega FM, Chowdhury S, Moore B, Frise E, McCarthy J, Hernandez EJ, Wong T, James K, Guidugli L, Agrawal PB, Genetti CA, Brownstein CA, Beggs AH, Löscher BS, Franke A, Boone B, Levy SE, Õunap K, Pajusalu S, Huentelman M, Ramsey K, Naymik M, Narayanan V, Veeraraghavan N, Billings P, Reese MG, Yandell M, Kingsmore SF. Artificial intelligence enables comprehensive genome interpretation and nomination of candidate diagnoses for rare genetic diseases. Genome Med. 2021 Oct 14;13(1):153. doi: 10.1186/s13073-021-00965-0. PMID: 34645491; PMCID: PMC8515723.

7. Condò I. Rare Monogenic Diseases: Molecular Pathophysiology and Novel Therapies. Int J Mol Sci. 2022 Jun 10;23(12):6525. doi: 10.3390/ijms23126525. PMID: 35742964; PMCID: PMC9223693.

8. Болезнь Хантингтона [Электронный ресурс]: Mayo Clinic. URL: https://www.mayoclinic.org/diseases-conditions/huntingtons-disease/symptoms-causes/syc-20356117.

9. Alfonso Perez G, Caballero Villarraso J. Neural Network Aided Detection of Huntington Disease. J Clin Med. 2022 Apr 10;11(8):2110. doi: 10.3390/jcm11082110. PMID: 35456203; PMCID: PMC9032851.

10. Гемофилия А [Электронный ресурс]: National Hemophilia Foundation. URL: https://www.hemophilia.org/bleeding-disorders-a-z/types/hemophilia-a.

11. Lopes, T.J.S., Rios, R., Nogueira, T. et al. Prediction of hemophilia A severity using a small-input machine-learning framework. npj Syst Biol Appl 7, 22 (2021). https://doi.org/10.1038/s41540-021-00183-9.

12. Мышечная дистрофия Дюшенна [Электронный ресурс]: Muscular Dystrophy Association. URL: https://www.mda.org/disease/duchenne-muscular-dystrophy.

13. Cai J, Xing F, Batra A, Liu F, Walter GA, Vandenborne K, Yang L. Texture Analysis for Muscular Dystrophy Classification in MRI with Improved Class Activation Mapping. Pattern Recognit. 2019 Feb;86:368-375. doi: 10.1016/j.patcog.2018.08.012. Epub 2018 Sep 18. PMID: 31105339; PMCID: PMC6521874.

14. Yang M, Zheng Y, Xie Z, Wang Z, Xiao J, Zhang J, Yuan Y. A deep learning model for diagnosing dystrophinopathies on thigh muscle MRI images. BMC Neurol. 2021 Jan 11;21(1):13. doi: 10.1186/s12883-020-02036-0. PMID: 33430797; PMCID: PMC7798322.

15. Поликистозная болезнь почек [Электронный ресурс]: Mayo Clinic. URL: https://www.mayoclinic.org/diseases-conditions/polycystic-kidney-disease/symptoms-causes/syc-20352820.

16. Goel A, Shih G, Riyahi S, Jeph S, Dev H, Hu R, Romano D, Teichman K, Blumenfeld JD, Barash I, Chicos I, Rennert H, Prince MR. Deployed Deep Learning Kidney Segmentation for Polycystic Kidney Disease MRI. Radiol Artif Intell. 2022 Feb 16;4(2):e210205. doi: 10.1148/ryai.210205. PMID: 35391774; PMCID: PMC8980881.

17. Duong D, Waikel RL, Hu P, Tekendo-Ngongang C, Solomon BD. Neural network classifiers for images of genetic conditions with cutaneous manifestations. HGG Adv. 2021 Aug 20;3(1):100053. doi: 10.1016/j.xhgg.2021.100053. PMID: 35047844; PMCID: PMC8756521.

18. Синдром Уильямса [Электронный ресурс]: MedlinePlus. URL: https://medlineplus.gov/genetics/condition/williams-syndrome/.

19. Hong D, Zheng YY, Xin Y, Sun L, Yang H, Lin MY, Liu C, Li BN, Zhang ZW, Zhuang J, Qian MY, Wang SS. Genetic syndromes screening by facial recognition technology: VGG-16 screening model construction and evaluation. Orphanet J Rare Dis. 2021 Aug 3;16(1):344. doi: 10.1186/s13023-021-01979-y. PMID: 34344442; PMCID: PMC8336249.

20. GestaltMatcher [Электронный ресурс]: GestaltMatcher. URL: https://www.gestaltmatcher.org.

21. Технология Face2Gene — как это работает [Электронный ресурс]: Face2Gene. URL: https://www.face2gene.com/technology-facial-recognition-feature-detection-phenotype-analysis/.

22. Qiang J, Wu D, Du H, Zhu H, Chen S, Pan H. Review on Facial-Recognition-Based Applications in Disease Diagnosis. Bioengineering (Basel). 2022 Jun 23;9(7):273. doi: 10.3390/bioengineering9070273. PMID: 35877324; PMCID: PMC9311612.

23. Alrefaei AF, Hawsawi YM, Almaleki D, Alafif T, Alzahrani FA, Bakhrebah MA. Genetic data sharing and artificial int ap Appleelligence in the era of personalized medicine based on a cross-sectional analysis of the Saudi human genome program. Sci Rep. 2022 Jan 26;12(1):1405. doi: 10.1038/s41598-022-05296-7. PMID: 35082362; PMCID: PMC8791994.

24. König H, Frank D, Baumann M, Heil R. AI models and the future of genomic research and medicine: True sons of knowledge?: Artificial intelligence needs to be integrated with causal conceptions in biomedicine to harness its societal benefits for the field. Bioessays. 2021 Oct;43(10):e2100025. doi: 10.1002/bies.202100025. Epub 2021 Aug 11. PMID: 34382215.