Simple Science

Scienza all'avanguardia spiegata semplicemente

# Scienze della salute# Neurologia

Identificare Gruppi Distinti nella Ricerca sull'ALS

Nuovo studio rivela diversi gruppi clinici nei pazienti con SLA basati su sintomi e genetica.

― 7 leggere min


Nuove scoperte sui gruppiNuove scoperte sui gruppidi SLApazienti nella ricerca sulla SLA.Uno studio scopre diverse gruppi di
Indice

La sclerosi laterale amiotrofica (SLA) è una malattia seria che colpisce il sistema nervoso. Porta a una lenta degradazione delle cellule nervose nel cervello e nel midollo spinale, causando debolezza e, alla fine, morte, di solito a causa di problemi respiratori dopo pochi anni dall'inizio dei sintomi. Le probabilità di sviluppare la SLA sono circa 1 su 300-400 persone.

Sintomi e Progressione

La SLA può manifestarsi in modi diversi a seconda delle persone. L'età media in cui le persone iniziano a notare i sintomi è intorno ai 60 anni, ma può partire a qualsiasi età adulta. In genere, le persone vivono circa 3-5 anni dopo la Diagnosi, ma alcuni possono vivere solo un anno, mentre circa il 5-10% può vivere più di 10 anni. Molti con SLA notano prima sintomi nei muscoli, in particolare in quelli controllati dal midollo spinale. Altri possono avere problemi di parola o respirazione fin da subito.

La malattia colpisce due tipi di cellule nervose chiamate neuroni motori superiori e inferiori. Il modo in cui si presenta la SLA può variare. In alcuni casi, potrebbe colpire solo i neuroni motori superiori o inferiori, mentre molti sperimentano una combinazione di entrambi. Alcuni individui possono anche mostrare segni di demenza frontotemporale, che influisce sul loro pensiero e comportamento.

Genetica della SLA

Il background Genetico della SLA è complesso. Le ricerche mostrano che circa il 15-20% dei casi di SLA può essere collegato a cambiamenti genetici in più di 40 geni diversi. Alcune persone hanno cambiamenti in un solo gene che possono causare la malattia, mentre altre possono avere varianti in più geni che influenzano la SLA.

La SLA impatta diversi processi biologici nel corpo, come la gestione delle proteine da parte delle cellule e la gestione dei rifiuti.

Trattamenti Attuali

Purtroppo, i trattamenti disponibili per la SLA non funzionano molto bene. I migliori farmaci possono solo prolungare la vita di pochi mesi AL massimo. Questa limitata efficacia è in parte dovuta al fatto che la SLA varia molto da persona a persona. Tuttavia, c'è speranza che possano essere sviluppati trattamenti più efficaci considerando le esigenze specifiche di ciascun paziente.

Un esempio è un trattamento con litio, che sembra aiutare le persone con una specifica variazione genetica. Un altro campo di studio è la terapia genica mirata a correggere problemi legati a cambiamenti genetici specifici.

Raggruppamento nella Ricerca sulla SLA

Le ricerche hanno dimostrato che raggruppare i pazienti in base a tratti specifici potrebbe aiutarci a identificare fattori biologici che giocano un ruolo nella SLA. Alcuni studi precedenti hanno identificato con successo raggruppamenti di pazienti basati su dati clinici in un solo paese. Ad esempio, uno studio nel Regno Unito ha trovato cluster clinici associati a quanto a lungo i pazienti vivevano, mentre un altro studio in Italia ha identificato diversi gruppi clinici utilizzando analisi avanzate dei dati clinici.

Tuttavia, quegli studi precedenti non hanno verificato se i gruppi di pazienti trovati potessero applicarsi a pazienti di diversi paesi. Inoltre, mentre la SLA è definita da sintomi clinici, nessuno studio ha esaminato se questi gruppi guidati dai dati differiscano biologicamente al di là delle variazioni genetiche individuali.

I Nostri Obiettivi di Ricerca

Il nostro studio si è proposto di affrontare diverse domande importanti:

  1. Potremmo trovare gruppi di pazienti usando dati clinici ampiamente disponibili e convalidare questi gruppi attraverso diversi campioni internazionali di pazienti SLA?
  2. Quali tratti clinici definiscono questi gruppi identificati?
  3. Questi gruppi di pazienti mostrano differenze biologiche in tre modi: la frequenza di rare variazioni genetiche legate alla SLA, variazioni genetiche comuni catturate attraverso punteggi di rischio e cambiamenti nei livelli di Espressione genica?
  4. Possiamo identificare questi gruppi guidati clinicamente usando i dati raccolti intorno al momento della diagnosi?

Per rispondere a queste domande, abbiamo utilizzato dati di oltre 14.000 pazienti SLA provenienti da diversi progetti di ricerca importanti.

Metodi

Campionamento dei Pazienti

Abbiamo raccolto partecipanti con SLA da due grandi progetti di ricerca internazionali. Dopo aver seguito un attento processo per assicurarci che i dati raccolti fossero idonei, abbiamo ottenuto un dataset finale che includeva 6.523 pazienti da un gruppo e 7.829 pazienti dall'altro.

Raccolta di Dati Clinici

Per il nostro studio, abbiamo raccolto vari dettagli clinici che di solito vengono registrati per i pazienti SLA, come l'età alla diagnosi, da quanto tempo avevano la malattia e il tipo di insorgenza. Abbiamo anche fatto in modo di tenere conto dei ritardi nella diagnosi confrontando i pazienti di diversi paesi.

Analisi dei Dati Genetici

Abbiamo esaminato i dati genetici relativi alla SLA dal primo progetto. Questo ha coinvolto l'analisi di rare variazioni genetiche da un elenco di 36 geni precedentemente collegati alla malattia. Per altre variazioni geniche, abbiamo cercato legami tra gruppi clinici e punteggi di rischio genetico basati su variazioni genetiche comuni.

Studio dell'Espressione Genica

Abbiamo anche esaminato campioni di tessuto cerebrale da pazienti SLA post-mortem per vedere se ci fossero differenze nell'espressione genica in base ai gruppi clinici identificati.

Analisi di Raggruppamento

Per identificare i diversi gruppi nei nostri dati, abbiamo utilizzato un tipo di analisi chiamata Analisi delle Classi Latenti (LCA). Questa analisi aiuta a organizzare i pazienti in base alle loro caratteristiche cliniche e l'abbiamo utilizzata sui dati del primo progetto per sviluppare un modello. Abbiamo poi convalidato queste scoperte all'interno dei dati del secondo gruppo.

Caratteristiche dei Gruppi Clinici

Attraverso la nostra analisi, abbiamo identificato cinque distinti gruppi di pazienti SLA. Questi gruppi sono stati principalmente differenziati da quanto tempo hanno aspettato per ricevere una diagnosi e da quanto tempo hanno vissuto dopo l'insorgenza dei sintomi. Abbiamo anche trovato variazioni in cose come l'età, il tipo di SLA e da dove sono partiti i sintomi.

Schemi di Sopravvivenza e Progressione

I risultati hanno mostrato che ogni gruppo ha vissuto diversi periodi di tempo dopo la diagnosi. Abbiamo anche trovato che, sebbene ci fosse una certa correlazione tra quanto tempo ci è voluto per i pazienti per ricevere una diagnosi e quanto tempo hanno vissuto, la relazione è più complicata di quanto si pensasse inizialmente.

Differenze Biologiche Tra i Gruppi

Abbiamo anche esaminato rare variazioni genetiche trovate in geni legati alla SLA tra i diversi gruppi. Le nostre analisi hanno rivelato che uno dei geni, C9orf72, spesso collegato a una progressione più rapida della malattia, era più comune in uno dei gruppi, mentre un altro gene, SOD1, era più comune in un altro gruppo.

Approfondimenti sull'Espressione Genica

Il nostro studio sull'espressione genica nel tessuto cerebrale dei pazienti ha evidenziato differenze tra i gruppi. Alcuni percorsi legati a come le cellule mantengono l'equilibrio proteico e gestiscono i rifiuti erano più attivi in un gruppo rispetto a un altro. Altri percorsi collegati a malattie come il Parkinson sono stati identificati in un gruppo, il che si allinea con punteggi di rischio genetico più elevati trovati in quel gruppo.

Prevedere l'Appartenenza al Gruppo Usando i Dati

Abbiamo esaminato se potevamo usare i dati clinici precoci per prevedere a quale gruppo appartengono i pazienti. Utilizzando tecniche di machine learning, abbiamo scoperto che potevamo classificare con precisione la maggior parte dei pazienti nei rispettivi gruppi basandoci su dati che potrebbero essere raccolti alla diagnosi.

Limitazioni e Direzioni Future

Sebbene abbiamo raccolto molti dati importanti, la nostra ricerca ha delle limitazioni. Ad esempio, analizzare rare varianti genetiche si basava sull'assunzione che queste varianti avessero un impatto diretto sulla malattia. C'è bisogno di dati più completi per comprendere appieno l'impatto di ciascuna variante genetica.

Abbiamo anche affrontato limitazioni nell'esplorare le tendenze biologiche poiché alcune analisi erano possibili solo per un sottoinsieme più piccolo di pazienti. La ricerca futura dovrebbe mirare ad approfondire la comprensione dei sottotipi di SLA esaminando dataset più diversificati e includendo sintomi non motori, come i cambiamenti nella cognizione.

Conclusione

Il nostro studio ha identificato con successo distinti gruppi clinici di pazienti SLA. Le differenze tra questi gruppi suggeriscono che meccanismi biologici diversi possono stare alla base della malattia, al di là dei singoli fattori genetici. Riconoscere queste distinzioni cliniche e biologiche può migliorare il modo in cui affrontiamo la ricerca e il trattamento della SLA, portando a una migliore assistenza per i pazienti.

Col tempo, la ricerca continua focalizzata sulle esigenze specifiche dei pazienti e sulle caratteristiche biologiche potrebbe portare a progressi nelle strategie di trattamento personalizzate per la SLA. Man mano che la nostra comprensione di questa malattia complessa migliora, così farà anche la nostra capacità di personalizzare le interventi che possono migliorare i risultati per i pazienti. Il futuro sembra promettente mentre continuiamo a scoprire di più su come funziona la SLA e come possiamo meglio supportare chi ne è colpito.

Fonte originale

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

Estratto: 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.

Autori: 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

Ultimo aggiornamento: 2023-06-13 00:00:00

Lingua: English

URL di origine: https://www.medrxiv.org/content/10.1101/2023.06.12.23291304

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

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

Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.

Si ringrazia medrxiv per l'utilizzo della sua interoperabilità ad accesso aperto.

Altro dagli autori

Articoli simili