Quando testes genéticos revelam uma rara mutação no DNA, médicos e pacientes frequentemente ficam sem entender o que isso realmente significa. Agora, pesquisadores da Icahn School of Medicine do Mount Sinai desenvolveram uma nova e poderosa maneira de determinar se um paciente com uma mutação é propenso a desenvolver a doença, um conceito conhecido em genética como penetrância.
A equipe se propôs a resolver esse problema utilizando inteligência artificial (IA) e testes laboratoriais rotineiros, como colesterol, contagem de sangue e função renal. Os detalhes das descobertas foram relatados na edição online de 28 de agosto da Science. Seu novo método combina aprendizado de máquina com registros eletrônicos de saúde para oferecer uma visão mais precisa e baseada em dados sobre o risco genético.
Estudos genéticos tradicionais muitas vezes se baseiam em um diagnóstico simples de sim/não para classificar os pacientes. Porém, muitas doenças, como pressão alta, diabetes ou câncer, não se encaixam facilmente em categorias binárias. Os pesquisadores do Mount Sinai treinaram modelos de IA para quantificar a doença em um espectro, oferecendo uma visão mais sutil de como o risco de doença se manifesta na vida real.
“Queríamos ir além de respostas em preto e branco que muitas vezes deixavam os pacientes e provedores inseguros sobre o que um resultado de teste genético realmente significa”, diz Ron Do, PhD, autor sênior do estudo e Professor Charles Bronfman em Medicina Personalizada na Icahn School of Medicine do Mount Sinai. “Ao usar inteligência artificial e dados laboratoriais do mundo real, como níveis de colesterol ou contagens de sangue que já fazem parte da maioria dos registros médicos, conseguimos agora estimar melhor a probabilidade de desenvolvimento de doenças em um indivíduo com uma variante genética específica. É uma maneira muito mais sutil, escalável e acessível de apoiar a medicina de precisão, especialmente ao lidar com achados raros ou ambíguos.”
Utilizando mais de 1 milhão de registros eletrônicos de saúde, os pesquisadores construíram modelos de IA para 10 doenças comuns. Em seguida, aplicaram esses modelos a pessoas conhecidas por terem variantes genéticas raras, gerando uma pontuação entre 0 e 1 que reflete a probabilidade de desenvolver a doença.
Uma pontuação mais alta, mais próxima de 1, sugere que uma variante pode ser mais propensa a contribuir para a doença, enquanto uma pontuação mais baixa indica risco mínimo ou inexistente. A equipe calculou pontuações de “penetrância ML” para mais de 1.600 variantes genéticas.
Alguns dos resultados foram surpreendentes, dizem os investigadores. Variantes anteriormente rotuladas como “incertas” mostraram sinais claros de doença, enquanto outras consideradas causadoras de doenças tiveram pouco efeito nos dados do mundo real.
“Embora nosso modelo de IA não substitua o julgamento clínico, ele pode potencialmente servir como um guia importante, especialmente quando os resultados dos testes são pouco claros. Os médicos poderiam, no futuro, usar a pontuação de penetrância ML para decidir se os pacientes devem receber triagens mais precoces ou tomar medidas preventivas, ou para evitar preocupações ou intervenções desnecessárias se a variante for de baixo risco”, diz o autor principal do estudo, Iain S. Forrest, MD, PhD, no laboratório do Dr. Do na Icahn School of Medicine do Mount Sinai. “Se um paciente tem uma variante rara associada à síndrome de Lynch, por exemplo, e ela recebe uma pontuação alta, isso poderia acionar uma triagem mais precoce para câncer, mas se o risco parecer baixo, conclusões precipitadas ou tratamentos excessivos poderiam ser evitados.”
A equipe agora está trabalhando para expandir o modelo para incluir mais doenças, uma variedade mais ampla de mudanças genéticas e populações mais diversas. Eles também planejam acompanhar como essas previsões se mantêm ao longo do tempo, se pessoas com variantes de alto risco realmente desenvolvem doenças e se a ação precoce pode fazer a diferença.
“Em última análise, nosso estudo aponta para um futuro potencial onde IA e dados clínicos rotineiros trabalham juntos para fornecer insights mais personalizados e acionáveis para pacientes e famílias que navegam nos resultados de testes genéticos”, diz Dr. Do. “Nossa esperança é que isso se torne uma maneira escalável de apoiar melhores decisões, comunicação mais clara e maior confiança no que as informações genéticas realmente significam.”
O artigo é intitulado “Penetrância de variantes genéticas baseada em aprendizado de máquina.”
Os autores do estudo, conforme listado na revista, são 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 e Ron Do.
Este trabalho foi apoiado, em parte, pelas seguintes bolsas: National Institute of General Medical Sciences dos Institutos Nacionais de Saúde (NIH) (T32-GM007280); o National Institute of General Medical Sciences do NIH (R35-GM124836); o National Institute of Diabetes and Digestive and Kidney Diseases (U24-DK062429); o National Human Genome Research Institute do NIH (R01-HG010365); o National Institute of General Medical Sciences do NIH (R35-GM138113); e o National Institute of Diabetes and Digestive and Kidney Diseases (U24-DK062429).
* Hospitais membros do Mount Sinai Health System: The Mount Sinai Hospital; Mount Sinai Brooklyn; Mount Sinai Morningside; Mount Sinai Queens; Mount Sinai South Nassau; Mount Sinai West; e New York Eye and Ear Infirmary of Mount Sinai