Simple Science

Ciencia de vanguardia explicada de forma sencilla

# Ciencias de la Salud# Neurología

Identificando Grupos Distintos en la Investigación de ELA

Un nuevo estudio revela diferentes grupos clínicos en pacientes con ELA según sus síntomas y genética.

― 9 minilectura


Nuevas Perspectivas sobreNuevas Perspectivas sobreGrupos de ELAELA.pacientes en la investigación de laUn estudio descubre diversos grupos de
Tabla de contenidos

La esclerosis lateral amiotrófica (ELA) es una enfermedad grave que afecta el sistema nervioso. Causa la descomposición gradual de las células nerviosas en el cerebro y la médula espinal, lo que lleva a debilidad y, eventualmente, a la muerte, generalmente por problemas respiratorios dentro de unos pocos años después de que comienzan los síntomas. Las probabilidades de desarrollar ELA son de aproximadamente 1 en 300 a 400 personas.

Síntomas y Progresión

La ELA puede presentarse de diferentes maneras en distintas personas. La edad promedio en que la gente nota los primeros síntomas es alrededor de los 60 años, pero puede comenzar a cualquier edad adulta. Por lo general, las personas pueden vivir unos 3 a 5 años después del Diagnóstico, pero algunos pueden vivir solo un año, mientras que alrededor del 5-10% puede vivir más de 10 años. Muchas personas con ELA notan primero síntomas en sus músculos, especialmente en aquellos que controla la médula espinal. Otros pueden tener problemas de habla o respiración de inmediato.

La enfermedad afecta dos tipos de células nerviosas conocidas como neuronas motoras superiores y neuronas motoras inferiores. La forma en que se presenta la ELA puede variar. En algunos casos, podría afectar solo a las neuronas motoras superiores o inferiores, mientras que muchos experimentan una mezcla de ambas. Algunas personas también pueden mostrar signos de demencia frontotemporal, afectando su pensamiento y comportamiento.

Genética de la ELA

El trasfondo genético de la ELA es complejo. Las investigaciones muestran que alrededor del 15 al 20% de los casos de ELA pueden estar relacionados con cambios Genéticos en más de 40 genes diferentes. Algunas personas tienen cambios en solo un gen que pueden causar la enfermedad, mientras que otros pueden tener varios genes con variaciones que afectan la ELA.

La ELA afecta varios procesos biológicos en el cuerpo, como cómo las células manejan proteínas y cómo gestionan los desechos.

Tratamientos Actuales

Lamentablemente, los tratamientos disponibles para la ELA no son muy efectivos. Los mejores medicamentos solo pueden extender la vida unos pocos meses como máximo. Esta efectividad limitada se debe en parte a que la ELA varía tanto de persona a persona. Sin embargo, hay esperanza de que se puedan desarrollar tratamientos más efectivos al observar las necesidades específicas de cada paciente.

Un ejemplo de esto es un tratamiento con litio, que parece ayudar a las personas que tienen una variación genética específica. Otra área de estudio es la terapia génica dirigida a corregir problemas relacionados con cambios genéticos específicos.

Agrupación en la Investigación de ELA

Las investigaciones han mostrado que agrupar a los pacientes por rasgos específicos podría ayudarnos a identificar factores biológicos que juegan un rol en la ELA. Algunos estudios anteriores identificaron con éxito agrupaciones de pacientes basadas en datos clínicos en un solo país. Por ejemplo, un estudio en el Reino Unido encontró grupos clínicos asociados con cuánto tiempo vivieron los pacientes, mientras que otro estudio en Italia identificó diferentes grupos clínicos utilizando un análisis avanzado de datos clínicos.

Sin embargo, esos estudios anteriores no comprobaron si los grupos de pacientes que encontraron se aplicarían a pacientes de diferentes países. Además, aunque la ELA se define por síntomas clínicos, ningún estudio ha investigado si estos grupos impulsados por datos difieren biológicamente más allá de las variaciones genéticas individuales.

Nuestros Objetivos de Investigación

Nuestro estudio se propuso abordar varias preguntas importantes:

  1. ¿Podríamos encontrar grupos de pacientes usando datos clínicos que estén ampliamente disponibles y validar estos grupos en diferentes muestras internacionales de pacientes con ELA?
  2. ¿Qué rasgos clínicos definen estos grupos identificados?
  3. ¿Muestran estos grupos de pacientes diferencias biológicas de tres maneras: la frecuencia de cambios genéticos raros relacionados con la ELA, las variaciones genéticas comunes capturadas a través de puntajes de riesgo y cambios en los niveles de Expresión Génica?
  4. ¿Podemos identificar estos grupos impulsados clínicamente utilizando datos recopilados alrededor del momento del diagnóstico?

Para responder a estas preguntas, utilizamos datos de más de 14,000 pacientes con ELA de varios proyectos de investigación importantes.

Métodos

Muestreo de Pacientes

Reunimos participantes con ELA de dos importantes proyectos de investigación internacionales. Después de pasar por un proceso cuidadoso para asegurarnos de que los datos que recopilamos fueran adecuados, terminamos con un conjunto de datos final que incluía 6,523 pacientes de un grupo y 7,829 pacientes del otro.

Recopilación de Datos Clínicos

Para nuestro estudio, recopilamos varios detalles clínicos que se suelen registrar para pacientes con ELA, como la edad al diagnóstico, cuánto tiempo tuvieron la enfermedad y el tipo de inicio. También nos aseguramos de tener en cuenta los retrasos en el diagnóstico al comparar pacientes de diferentes países.

Análisis de Datos Genéticos

Analizamos datos genéticos relacionados con la ELA del primer proyecto. Esto involucró analizar cambios genéticos raros de una lista de 36 genes previamente vinculados a la enfermedad. Para otras variaciones genéticas, buscamos conexiones entre grupos clínicos y puntajes de riesgo genético basados en variaciones genéticas comunes.

Estudio de la Expresión Génica

También examinamos muestras de tejido cerebral de pacientes con ELA post mortem para ver si había diferencias en la expresión génica basadas en los grupos clínicos identificados.

Análisis de Agrupación

Para identificar los diferentes grupos en nuestros datos, utilizamos un tipo de análisis llamado Análisis de Clase Latente (LCA). Este análisis ayuda a organizar a los pacientes según sus características clínicas, y lo utilizamos en datos del primer proyecto para desarrollar un modelo. Luego validamos estos hallazgos dentro de los datos del segundo grupo.

Características de los Grupos Clínicos

A través de nuestro análisis, identificamos cinco grupos distintos de pacientes con ELA. Estos grupos se diferenciaron principalmente por cuánto tiempo esperaron para recibir un diagnóstico y por cuánto tiempo vivieron después del inicio de los síntomas. También encontramos variaciones en cosas como la edad, el tipo de ELA y dónde comenzaron los síntomas.

Patrones de Supervivencia y Progresión

Los resultados mostraron que cada grupo vivió diferentes períodos de tiempo después del diagnóstico. También encontramos que, aunque hubo cierta correlación entre cuánto tiempo tardaron los pacientes en recibir un diagnóstico y cuánto tiempo vivieron, la relación es más complicada de lo que se pensaba originalmente.

Diferencias Biológicas Entre Grupos

También miramos cambios genéticos raros encontrados en genes relacionados con la ELA entre los diferentes grupos. Nuestras análisis revelaron que uno de los genes, C9orf72, que a menudo se relaciona con una progresión más rápida de la enfermedad, era más común en uno de los grupos, mientras que otro gen, SOD1, era más común en otro grupo.

Perspectivas de Expresión Génica

Nuestro estudio sobre la expresión génica en tejido cerebral de pacientes destacó diferencias entre los grupos. Ciertos caminos relacionados con cómo las células mantienen el equilibrio de proteínas y manejan desechos estaban más activos en un grupo en comparación con otro. También se identificaron otros caminos vinculados a enfermedades como el Parkinson en un grupo, lo que se alinea con puntajes de riesgo genético más altos encontrados en ese grupo.

Predicción de Membresía en Grupos Usando Datos

Examinamos si podíamos usar datos clínicos tempranos para predecir a qué grupo pertenecen los pacientes. Usando técnicas de aprendizaje automático, encontramos que podíamos clasificar con precisión a la mayoría de los pacientes en sus respectivos grupos basándonos en datos que se podrían recopilar al diagnóstico.

Limitaciones y Direcciones Futuras

Aunque recopilamos muchos datos importantes, nuestra investigación tiene limitaciones. Por ejemplo, el análisis de variantes genéticas raras se basó en la suposición de que estas variantes tienen un impacto directo en la enfermedad. Se necesita más datos completos para entender completamente el impacto de cada variante genética.

También enfrentamos limitaciones al explorar las tendencias biológicas, ya que algunos análisis solo fueron posibles para un subconjunto menor de pacientes. La investigación futura debería profundizar en la comprensión de los subtipos de ELA examinando conjuntos de datos más diversos e incluyendo síntomas no motores, como cambios en la cognición.

Conclusión

Nuestro estudio identificó con éxito grupos clínicos distintos de pacientes con ELA. Las diferencias entre estos grupos sugieren que diferentes mecanismos biológicos pueden estar detrás de la enfermedad, más allá de solo factores genéticos individuales. Reconocer estas distinciones clínicas y biológicas puede mejorar la forma en que abordamos la investigación y el tratamiento de la ELA, resultando en una mejor atención al paciente.

Con el tiempo, la investigación continua centrada en las necesidades específicas de los pacientes y las características biológicas puede llevar a avances en estrategias de tratamiento personalizadas para la ELA. A medida que nuestra comprensión de esta compleja enfermedad mejora, también lo hará nuestra capacidad para adaptar intervenciones que pueden mejorar los resultados para los pacientes. El futuro se ve prometedor a medida que seguimos aprendiendo más sobre cómo funciona la ELA y cómo podemos apoyar mejor a quienes se ven afectados por ella.

Fuente original

Título: Unsupervised machine-learning identifies clinically distinct subtypes of ALS that reflect different genetic architectures and biological mechanisms

Resumen: BackgroundAmyotrophic lateral sclerosis (ALS) is a fatal neurodegenerative disease characterised by a highly variable clinical presentation and multifaceted genetic and biological bases that translate into great patient heterogeneity. The identification of homogeneous subgroups of patients in terms of both clinical presentation and biological causes, could favour the development of effective treatments, healthcare, and clinical trials. We aimed to identify and characterise homogenous clinical subgroups of ALS, examining whether they represent underlying biological trends. MethodsLatent class clustering analysis, an unsupervised machine-learning method, was used to identify homogenous subpopulations in 6,523 people with ALS from Project MinE, using widely collected ALS-related clinical variables. The clusters were validated using 7,829 independent patients from STRENGTH. We tested whether the identified subgroups were associated with biological trends in genetic variation across genes previously linked to ALS, polygenic risk scores of ALS and related neuropsychiatric traits, and in gene expression data from post-mortem motor cortex samples. ResultsWe identified five ALS subgroups based on patterns in clinical data which were general across international datasets. Distinct genetic trends were observed for rare variants in the SOD1 and C9orf72 genes, and across genes implicated in biological processes relevant to ALS. Polygenic risk scores of ALS, schizophrenia and Parkinsons disease were also higher in distinct clusters with respect to controls. Gene expression analysis identified different altered biological processes across clusters reflecting the genetic differences. We developed a machine learning classifier based on our model to assign subgroup membership using clinical data available at first visit, and made it available on a public webserver at http://latentclusterals.er.kcl.ac.uk. ConclusionALS subgroups characterised by highly distinct clinical presentations were discovered and validated in two large independent international datasets. Such groups were also characterised by different underlying genetic architectures and biology. Our results showed that data-driven patient stratification into more clinically and biologically homogeneous subtypes of ALS is possible and could help develop more effective and targeted approaches to the biomedical and clinical study of ALS.

Autores: Alfredo Iacoangeli, T. P. Spargo, H. Marriott, G. Hunt, O. Pain, R. Kabiljo, H. Bowles, W. Sproviero, A. C. Gillett, I. Fogh, Project MinE ALS Sequencing Consortium, P. M. Andersen, N. A. Basak, P. Shaw, P. Corcia, P. Couratier, M. de Carvalho, V. Drory, J. D. Glass, M. Gotkine, O. hardiman, J. E. Landers, R. McLaughlin, J. S. Mora Pardina, K. E. Morrison, S. Pinto, M. Povedano, C. E. Shaw, V. Silani, N. Ticozzi, P. van Damme, L. h. van den Berg, P. Vourch, M. Weber, J. Veldink, R. Dobson, A. Al Khleifat, N. Cummis, D. Stahl, A. Al-Chalabi

Última actualización: 2023-06-13 00:00:00

Idioma: English

Fuente URL: https://www.medrxiv.org/content/10.1101/2023.06.12.23291304

Fuente PDF: https://www.medrxiv.org/content/10.1101/2023.06.12.23291304.full.pdf

Licencia: https://creativecommons.org/licenses/by/4.0/

Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.

Gracias a medrxiv por el uso de su interoperabilidad de acceso abierto.

Más de autores

Artículos similares