GenoMed4ALL: Forbedring af SCD-klassificering og prognose ved AI (GenoMed4ALL)

SCD er en kronisk livstruende multisystemlidelse, autosomal recessivt nedarvet, forårsaget af tilstedeværelsen af ​​unormalt hæmoglobin S (HbS) som følge af seglmutationen i HBB-genet. På trods af at det er en enkelt genmutationslidelse, præsenterer SCD ekstrem fænotypisk variabilitet, der er ufuldstændigt forstået. Flere genetiske og miljømæssige faktorer formodes at have indflydelse på sygdomsfænotype, kliniske manifestationer, progression af organskader og livskvalitet gennem hele levetiden.

Selvom der er sket betydelige fremskridt i løbet af de sidste par årtier i den meget komplekse patofysiologi af SCD, er muligheden for personlig medicin stadig i sin vorden. Der er mangel på markører for sygdommens sværhedsgrad, prognose og respons på behandling. Især bør heterogeniteten af ​​den kliniske ekspression af sygdommen sammen med langsigtede kroniske komplikationer på grund af patienternes øgede levetid behandles med innovative og personlige behandlinger. Endvidere er det nødvendigt at vurdere de nye behandlingers rolle både med hensyn til langsigtet effektivitet og sikkerhed, men også med hensyn til forholdet mellem omkostninger og effektivitet. Knapheden og fragmenteringen af ​​SCD-data forhindrer forskere i at nå de kritiske tal, der er nødvendige for grundlæggende og klinisk forskning. Forskning og datadrevne løsninger er derfor afgørende for at forbedre plejen af ​​SCD-patienter og deres livskvalitet.

Tilgængeligheden af ​​adskillige behandlingsmuligheder samt den høje sygdomsheterogenitet fremhæver behovet for at tage fat på patienternes sværhedsgradsprofiler og tilbyde den bedste pleje til hvert berørt individ. Udvikling af GENOMED4ALL AI-algoritmerne til SCD vil være af stor betydning for den dybdegående karakterisering og forudsigelse af de forskellige komplikationer af SCD. De primære endepunkter af interesse omfatter:

• Forbedring af SCD-klassificering
• Udvikle en sandsynlighedsscore til at forudsige forskellige mønstre, der genkendes af kunstig intelligens (AI) baseret analyse af hjernemagnetisk resonansbilleddannelse (radiomik)
• At udvikle prædiktive risikoscore for forekomsten af ​​de mest udbredte og alvorlige kliniske udfald
• At udvikle prædiktive risikoscore over tid for fremkomsten af ​​de mest udbredte og alvorlige kliniske resultater.

RADeep vil blive brugt til standardisering af eksisterende kliniske og laboratoriedata. Der blev udviklet en CRF med godt 250 dataelementer. GenoMed4All CRF bygger på tidligere arbejde udført af RADeep og inkluderer "sættet af fælles dataelementer til registrering af sjældne sygdomme", som blev frigivet i december 2017 som et resultat af en dedikeret arbejdsgruppe faciliteret af Joint Research Center (JRC). Denne tilgang vil sikre interoperabilitet med andre lignende initiativer i Europa og vil også gøre det muligt at genbruge de indsamlede data til fremtidige forskningsundersøgelser.

Genome-wide Association Studies (GWAS) udvider konceptet med associationsstudier til at analysere hundredtusindvis af single-nucleotid polymorphisms (SNP'er) samtidigt og give en omkostningseffektiv måde at udforske genetiske varianter på tværs af hele genomet. Men på trods af betydelig interesse i at identificere genetiske modifikatorer i SCD, søgte størstedelen af ​​tidligere GWAS efter genetisk kobling og association med HbF-niveauer, en etableret forbedrende faktor for sygdoms sværhedsgrad. Derudover har brugen af ​​datavidenskab og kunstig intelligens (AI) været begrænset i SCD-forskning. Derfor giver genereringen af ​​GWAS-data kombineret med brugen af ​​det seneste imputationspanel til imputation en mulighed for udvikling af nye AI-teknikker og for nye opdagelser i SCD.

Silent Cerebral Infarcts (SCI'er) er en væsentlig årsag til sygelighed i SCD: De rammer 25 % af børn i 6-års alderen og 40 % i 18-års alderen med konsekvenser for kognition, skolegang, arbejdsevne og livskvalitet. Derfor er et af formålene med SCD klinisk case i GENOMED4ALL brugen af ​​radiomik - kvantitativ metode til evaluering og fortolkning af medicinske billeder - og AI for det første at udvikle en automatisk og ensartet identifikation og karakterisering af SCI på MRI'er, for det andet, korreler billeddannelsesdata med andre typer OMICS-data for at forudsige risiko for forekomst og gentagelse.

Deformerbarheden af ​​røde blodlegemer (RBC) fra personer med SCD er markant unormal, uanset genotype. Adskillige undersøgelser rapporterede nogle sammenhænge mellem graden af ​​svækkelse af RBC-deformerbarhed målt ved steady state hos SCD-patienter og tilstedeværelsen af ​​kroniske komplikationer, såsom priapisme, bensår, glomerulopati osv. Den nyligt udviklede teknik til oxygengradient-ektacytometri muliggør en mere omfattende funktionel karakterisering og rheologisk adfærd af SCD RBC'er over en række iltspændinger for at teste, om de rheologiske ændringer kan afspejle klinisk sværhedsgrad/komplikationer. Data om rheologiske karakteristika af RBC på alle patienter i steady state vil blive opnået gennem Laser Optical Rotational Red Cell Analyzer (Lorrca) ektacytometer (RR Mechatronics).

Ved at kombinere en stor mængde standardiserede multimodale (kliniske, multi-omics og billeddannelse) datasæt, antager efterforskerne, at AI vil gøre det muligt at forstå bedre SCD-biologi og klassificering, forbedre prognostisk/prædiktiv kapacitet af aktuelt tilgængelige værktøjer og anvende behandlinger på en mere målrettet måde. måde, hvilket letter implementeringen af ​​et personligt medicinprogram på tværs af EU.