Nuevos Métodos para Estudios de Asociación Genética Usando Imágenes del Ojo

Los científicos están tratando de entender cómo nuestros genes afectan nuestra salud. Una forma de hacerlo es a través de algo llamado Estudios de Asociación del Genoma Completo (GWAS). Estos estudios analizan los genes de muchas personas para encontrar conexiones entre Marcadores Genéticos específicos y rasgos, como cómo funcionan nuestros cuerpos o cómo contraemos enfermedades. Sin embargo, la mayoría de estos estudios se centran en rasgos que han sido seleccionados previamente por expertos. Esto puede dejar huecos en el conocimiento porque estos rasgos elegidos pueden no captar todas las complejidades de la salud humana.

La imagen médica, como las exploraciones de los ojos, contiene mucha información que los investigadores pueden usar para encontrar nuevos rasgos. Con el avance de la tecnología, las técnicas de imagen modernas pueden mostrarnos imágenes detalladas de nuestros cuerpos. Aunque algunos estudios han usado imágenes para buscar conexiones genéticas, a menudo dependen de rasgos definidos por expertos. Recientemente, se han utilizado métodos de inteligencia artificial (IA), particularmente el Aprendizaje Profundo, para generar automáticamente nuevos rasgos a partir de imágenes. Sin embargo, estas técnicas de IA aún dependen de rasgos definidos por expertos, lo que limita su capacidad para revelar nueva información.

El desafío es que los expertos humanos pueden pasar por alto detalles importantes en estas imágenes. Por ejemplo, un modelo de aprendizaje profundo creado por Google pudo encontrar características como la edad y los hábitos de fumar en imágenes oculares que los evaluadores humanos no podían ver fácilmente. Esto muestra que podría haber información valiosa oculta en los datos de imagen que aún no hemos aprovechado.

#Un Nuevo Enfoque: GWAS Basado en Imágenes No Supervisadas

Para abordar este problema, se ha desarrollado un nuevo método llamado estudios de asociación del genoma completo basados en imágenes no supervisadas (iGWAS). En lugar de depender de rasgos definidos por expertos, este método utiliza un modelo de aprendizaje profundo para examinar imágenes y capturar automáticamente sus características importantes. Estas características, conocidas como Endofenotipos, pueden usarse para encontrar conexiones genéticas.

En este estudio, los investigadores se centraron en imágenes de la retina tomadas de los ojos de las personas. Usaron imágenes de color en bruto y imágenes que muestran los Vasos Sanguíneos para crear endofenotipos que capturan las características de la retina. Los vasos sanguíneos son especialmente útiles porque su estructura en personas sanas no cambia mucho con el tiempo, lo que los convierte en un buen objetivo para estudiar asociaciones genéticas. Los problemas con estos vasos pueden llevar a enfermedades como la retinopatía diabética.

Los investigadores crearon un modelo de aprendizaje profundo especializado que puede tomar estas imágenes y producir 128 endofenotipos que representan el contenido de la imagen. Este modelo fue entrenado en un gran conjunto de datos de imágenes oculares de alta calidad. Después de construir el modelo, generaron endofenotipos a partir de más de 130,000 imágenes de participantes británicos. Luego realizaron GWAS para identificar marcadores genéticos vinculados a estos nuevos endofenotipos.

#Procesamiento de Imágenes y Desarrollo del Modelo

El método iGWAS consta de dos pasos principales. Primero, los investigadores entrenan un modelo utilizando un conjunto de imágenes para crear una red neuronal que identifica las características inherentes en esas imágenes. El segundo paso implica utilizar este modelo entrenado para generar endofenotipos para otro conjunto de imágenes que también tienen datos genéticos.

En este estudio, los investigadores recopilaron un gran conjunto de datos de imágenes oculares y sus datos genéticos del UK Biobank. Comenzaron procesando las imágenes para asegurar la calidad. Luego, pasaron estas imágenes por su modelo para generar endofenotipos, que fueron analizados en busca de asociaciones con la información genética.

#Resultados y Hallazgos

El estudio reveló muchos hallazgos interesantes sobre los factores genéticos relacionados con los nuevos endofenotipos derivados de imágenes oculares. Por ejemplo, identificaron miles de marcadores genéticos vinculados a los endofenotipos tanto de imágenes en bruto como de imágenes segmentadas de vasos. Las señales de asociación se agruparon en varios loci genéticos independientes, lo que indica regiones en el genoma que podrían ser importantes para la salud de la retina.

Los investigadores también analizaron específicamente cómo el color de la retina, influenciado por la genética, se relaciona con la salud en general. Al analizar el color de la retina, encontraron enlaces genéticos adicionales que se superponen con asociaciones conocidas para el color de la piel y el cabello. Esto sugiere que los genes que influyen en la pigmentación también podrían afectar el color de la retina.

#Análisis de Correlación Genética

Para obtener más información sobre los endofenotipos, los investigadores los correlacionaron con otros rasgos conocidos relacionados con la salud ocular. Descubrieron que muchos de los endofenotipos estaban asociados con rasgos como la pigmentación de la piel y otras condiciones oculares. Esta correlación proporciona más contexto para entender cómo diferentes rasgos pueden estar interconectados.

#Validación de Genes Candidatos

Para validar aún más sus hallazgos, los investigadores se centraron en un gen específico identificado en sus análisis, WNT7B, que ha estado vinculado al desarrollo de vasos sanguíneos. Realizaron experimentos en ratones para ver cómo la eliminación de este gen afectaría la formación de vasos sanguíneos en la retina. Los resultados demostraron que WNT7B desempeña un papel importante en el desarrollo normal de los vasos sanguíneos en el ojo.

#Conclusión

Este estudio presenta un enfoque novedoso para descubrir nuevos rasgos y entender las influencias genéticas en la salud al utilizar métodos de aprendizaje no supervisado para el análisis de imágenes. El marco permite a los investigadores extraer rasgos significativos de las imágenes sin las limitaciones de los rasgos predefinidos por expertos. Esto podría mejorar la comprensión de diversas condiciones de salud y facilitar el desarrollo de tratamientos específicos.

Las implicaciones de esta investigación van más allá de la salud ocular, ya que los métodos desarrollados podrían aplicarse a otras áreas de la medicina donde la imagen juega un papel crítico. Con el poder de los grandes datos y las técnicas avanzadas de IA, hay un futuro prometedor para descubrir nuevos conocimientos relacionados con la salud a través de la imagen.