Nuovi metodi per studi di associazione genetica usando l'imaging oculare

Gli scienziati stanno cercando di capire come i nostri geni influenzano la nostra salute. Un modo per farlo è attraverso qualcosa chiamato studi di associazione genome-wide (GWAS). Questi studi analizzano i geni di molte persone per trovare collegamenti tra specifici Marcatori genetici e caratteristiche, come il funzionamento del nostro corpo o come ci ammalano. Tuttavia, la maggior parte di questi studi si concentra su tratti scelti in anticipo da esperti. Questo può portare a lacune nella conoscenza perché questi tratti scelti potrebbero non catturare tutte le complessità della salute umana.

Le immagini mediche, come le scansioni degli occhi, contengono molte informazioni che i ricercatori possono utilizzare per trovare nuovi tratti. Con l'avanzamento della tecnologia, le tecniche di imaging moderne possono mostrarci immagini dettagliate dei nostri corpi. Anche se alcuni studi hanno utilizzato le immagini per cercare collegamenti genetici, spesso si basano su tratti definiti da esperti. Recentemente, metodi di intelligenza artificiale (AI), in particolare l'apprendimento profondo, sono stati usati per generare automaticamente nuovi tratti dalle immagini. Tuttavia, queste tecniche AI dipendono ancora dai tratti definiti da esperti, il che limita la loro capacità di rivelare nuove informazioni.

La sfida è che gli esperti umani potrebbero trascurare dettagli importanti in queste immagini. Per esempio, un modello di apprendimento profondo creato da Google è riuscito a trovare caratteristiche come l'età e le abitudini di fumo nelle immagini degli occhi che i valutatori umani non riuscivano a vedere facilmente. Questo dimostra che potrebbe esserci informazioni preziose nascoste nei dati di imaging che non abbiamo ancora sfruttato.

#Un Nuovo Approccio: GWAS Basati su Immagini Non Supervisionate

Per affrontare questo problema, è stato sviluppato un nuovo metodo chiamato studi di associazione genome-wide basati su immagini non supervisionate (iGWAS). Invece di fare affidamento su tratti definiti da esperti, questo metodo utilizza un modello di apprendimento profondo per esaminare le immagini e catturare automaticamente le loro caratteristiche importanti. Queste caratteristiche, chiamate Endofenotipi, possono poi essere utilizzate per trovare collegamenti genetici.

In questo studio, i ricercatori si sono concentrati sulle immagini della retina prese dagli occhi delle persone. Hanno utilizzato immagini a colori grezzi e immagini che mostrano i Vasi sanguigni per creare endofenotipi che catturano le caratteristiche della retina. I vasi sanguigni sono particolarmente utili perché la loro struttura nelle persone sane non cambia molto nel tempo, rendendoli un buon obiettivo per studiare le associazioni genetiche. Problemi con questi vasi sanguigni possono portare a malattie come la retinopatia diabetica.

I ricercatori hanno creato un modello di apprendimento profondo specializzato che può prendere queste immagini e produrre 128 endofenotipi che rappresentano il contenuto dell'immagine. Questo modello è stato addestrato su un ampio set di dati di immagini oculari di alta qualità. Dopo aver costruito il modello, hanno generato endofenotipi da più di 130.000 immagini di partecipanti britannici. Hanno quindi eseguito GWAS per identificare marcatori genetici collegati a questi nuovi endofenotipi.

#Elaborazione delle Immagini e Sviluppo del Modello

Il metodo iGWAS consiste in due fasi principali. Prima, i ricercatori addestrano un modello usando un set di immagini per creare una rete neurale che identifica le caratteristiche intrinseche in quelle immagini. La seconda fase coinvolge l'uso di questo modello addestrato per generare endofenotipi per un altro set di immagini che ha anche dati genetici.

In questo studio, i ricercatori hanno raccolto un ampio set di dati di immagini oculari e i loro dati genetici dal UK Biobank. Hanno iniziato elaborando le immagini per garantire la qualità. Poi hanno passato queste immagini attraverso il loro modello per generare endofenotipi, che sono stati analizzati per associazioni con informazioni genetiche.

#Risultati e Scoperte

Lo studio ha rivelato molte scoperte interessanti riguardo ai fattori genetici legati ai nuovi endofenotipi derivati dalle immagini oculari. Per esempio, hanno identificato migliaia di marcatori genetici collegati agli endofenotipi sia da immagini grezze che da immagini segmentate dei vasi. I segnali di associazione sono stati raggruppati in diversi loci genetici indipendenti, indicando regioni nel genoma che potrebbero essere importanti per la salute della retina.

I ricercatori hanno anche esaminato specificamente come il colore della retina, influenzato dalla genetica, si relaziona alla salute generale. Analizzando il colore della retina, hanno trovato ulteriori collegamenti genetici che si sovrappongono a associazioni note per il colore della pelle e dei capelli. Questo suggerisce che i geni che influenzano la pigmentazione potrebbero anche influenzare il colore della retina.

#Analisi di Correlazione Genetica

Per ottenere approfondimenti più profondi sugli endofenotipi, i ricercatori li hanno correlati con altri tratti noti legati alla salute degli occhi. Hanno scoperto che molti degli endofenotipi erano associati a tratti come la pigmentazione della pelle e altre condizioni oculari. Questa correlazione fornisce più contesto per comprendere come diversi tratti possano essere interconnessi.

#Validazione dei Geni Candidati

Per convalidare ulteriormente le loro scoperte, i ricercatori si sono concentrati su un gene specifico identificato nelle loro analisi, WNT7B, che è stato collegato allo sviluppo dei vasi sanguigni. Hanno condotto esperimenti sui topi per vedere come l'inibizione di questo gene influenzerebbe la formazione dei vasi sanguigni nella retina. I risultati hanno dimostrato che WNT7B gioca un ruolo significativo nello sviluppo normale dei vasi sanguigni nell'occhio.

#Conclusione

Questo studio presenta un approccio innovativo per scoprire nuovi tratti e comprendere le influenze genetiche sulla salute utilizzando metodi di apprendimento non supervisionato per l'analisi delle immagini. Il framework consente ai ricercatori di estrarre tratti significativi dalle immagini senza le limitazioni dei tratti definiti in anticipo dagli esperti. Questo potrebbe migliorare la comprensione di varie condizioni di salute e migliorare lo sviluppo di trattamenti mirati.

Le implicazioni di questa ricerca si estendono oltre la salute degli occhi, poiché i metodi sviluppati potrebbero essere applicati ad altre aree della medicina dove l'imaging gioca un ruolo critico. Con il potere dei big data e delle tecniche avanzate di AI, c'è un futuro promettente per scoprire nuove intuizioni legate alla salute attraverso l'imaging.