CoMPaSS-NMD - 新規患者向けの計算モデル HNMD の層別化戦略 (CoMPaSS-NMD)

遺伝性神経筋障害 (HNMD) は、進行性の筋力低下と萎縮を引き起こす遺伝性の遺伝性疾患であり、可動性に重大な影響を与え、長期的な障害を引き起こすことがよくあります [1、2]。 これらの状態は社会参加を著しく損ない、独立性を失い、早期死につながる可能性があります[3]。 HNMD は日常活動や社会的関与に影響を与えるだけでなく、他者からの大規模なケアを必要とし、患者、その家族、社会に多大な個人的、社会的、経済的負担を課します。 HNMD は、障害を抱えながら長年生きる主な原因である筋骨格系障害のより広いカテゴリー内のサブグループです。 個別にはまれですが、HNMD は全体として世界中で 200 万人以上に影響を与えています [4]。

HNMD の診断には、部分的または決定的でない可能性がある複数の費用のかかる調査が含まれることが多く、個々の予後は不確実になります。 現在の遺伝子研究では、600 を超える原因遺伝子を持つ 16 の HNMD グループが特定されています [5]。 HNMD の分類は現在、主に遺伝様式、遺伝子変異、衰弱の臨床症状、組織学的特徴、発症年齢、進行速度、予後などの要素に基づいています。

分子 DNA 分析は、これらの病気を診断するための標準となっています。 しかし、広範な遺伝子配列決定により、同じ遺伝子に変異を持つ患者や健康な親族の臨床症状が異なるという幅広い表現型スペクトルが明らかになり、臨床的な「ゲシュタルト」との相関関係が複雑になっています。 HNMD 患者は、筋肉画像や組織学において同様の特徴や変化を示すことがよくありますが、異なる遺伝子に変異がある患者もいれば、明らかな有害な変異がない患者もいます。 これらの観察は、現在の診断アプローチの限界を浮き彫りにし、遺伝性神経筋障害が複雑でほとんど知られていない生物学的相互作用に起因する可能性があることを示唆しています。

その結果、神経筋疾患の症状を呈する患者の 60% は正確な分子診断を受けておらず、現在、これらの疾患のほとんどに対して効果的な治療法は利用できません [6]。

近年、人工知能 (AI)、特に機械学習 (ML) は、ライフサイエンスへの応用をサポートするレベルまで成熟し、個別化されたヘルスケアへの道を切り開きました [7]。 ML ベースの計算ツールは、HNMD の病因および伝達メカニズムに関する新たな洞察を提供し、正確な臨床的特徴付けと診断を達成し、正確な臨床的決定をサポートし、予測が困難な将来の予後を改善することにより、医学知識を拡大する前例のない機会を提供します。臨床実習。

CoMPaSS-NMD プロジェクトは、HNMD 患者の層別化のための新しい ML ツールを開発、適用、テストすることを目的としており、次の 4 つの一般目標を掲げています。

1. 堅牢で信頼性の高いデータセットを生成し、検証されたデータに基づいて計算ツールを開発します。
2. 臨床表現型を分類するための臨床データ統合ソリューションを作成して、患者、医療専門家、科学コミュニティ、HNMD の影響を受ける可能性のある個人をサポートします。
3. 表現型層別化に基づいて患者管理を改善するための証拠に基づいたガイドラインを開発し、医療提供者の現在の標準治療を強化します。
4. ATLAS-NMD として知られる神経筋疾患の患者向けに、欧州連合 (EU) の FAIR (検索可能、アクセス可能、相互運用可能、再利用可能) 原則に準拠した公開データ収集用のオンライン プラットフォームを作成します。

CoMPaSS 研究は、既存のデータと新たに取得したデータの両方を 2 つの部分に分けて処理します: (i) 英国 (UNEW) とフランス (CERBM) のセンターから収集された遺伝子、組織病理学、および磁気共鳴画像法 (MRI) データを使用した遡及的観察研究、フィンランド (SFF)、イタリア (FSM)。 (ii) イタリア (FSM、UNIMORE) とドイツ (LMUM) の臨床参照センターで、これまで診断されていなかった 500 人の患者から臨床、遺伝、組織病理学、および MRI データを収集する前向き研究。

前向き研究の各参加者は次のことを行います。

• 電子臨床記録 (eCRF) に記録されたデータを使用して、すべての筋肉区域を評価する標準化された臨床評価プロトコル。
• 臨床症状に基づいて実施される筋肉のMRI。
• 臨床的に必要な場合は、影響を受けた筋肉の筋生検。
• 末梢血リンパ球から抽出したDNAのゲノム解析。 研究への参加は、参加者またはその法定代理人が研究情報シートを確認し、機密データとプライバシーの処理についてのインフォームドコンセントを提供し、同意文書に署名した後にのみ認められます。

この研究では、データの内部構造を使用して患者間の類似グループを定義する、教師なし多次元処理に基づくクラスタリングのための計算ツールが使用されています。 データ プライバシー、データの最小化、データ アクセス権に関して、この調査は Federated Learning アプローチに従っています。 これにより、各臨床センターでデータを分散した状態に保ちながら、層別化と分類のモデルを複数のエンティティが協力してトレーニングできることが保証されます。

この研究は、データ保護と管理のすべての原則を尊重しながら、強力な関係者の参加と他のプロジェクトコンソーシアムとのネットワーキングを伴う患者中心の共同設計方法論に準拠しています。

期待される成果に関して、この研究は健康データを統合し、臨床表現型をより正確に分類するための効果的なソリューションを研究者に提供することを目的としています。 これらの発見に基づいて、特有の臨床的特徴の層別化を使用して証拠に基づくガイドラインが開発され、最終的にはHNMD患者の診断と予後のための優れた標準治療を提供することになる。

この研究は、HORIZON-HLTH-2022-TOOL-12-two-stageと呼ばれるヨーロッパの枠組みプログラム「Horizo​​n Europe」によって資金提供されている。