Betegségek egymásra hatásainak a hálózatai: Bayesi mesterséges intelligencia a UK Biobank adatainak az elemzésében
A University of Manchester, a Semmelweis Egyetem és a BME közös kutatásában10 a depresszió genetikai és környezeti hátterének az együttes vizsgálata a cél, különös tekintettel az együtt előforduló betegségekre, stressz faktorokra és táplálkozásra.
A nagy számú résztvevőről átfogó információkat tartalmazó egészségügyi adathalmazoknak a kutatása új lehetőségek sorát nyitja meg. A UK Biobank1 a világ egyik első ilyen jellegű adatbázisa, amely félmillió résztvevőnek tartalmazza a teljes genetikai profilját, átélt vagy fennálló betegségeit, gyógyszerfogyasztási és életviteli adatait, illetve egyes részcsoportok esetén a betegségspecifikus adatait is.
A University of Manchester, a Semmelweis Egyetem és a BME közös kutatásában10 a depresszió genetikai és környezeti hátterének az együttes vizsgálata a cél, különös tekintettel az együtt előforduló betegségekre, stressz faktorokra és táplálkozásra. A kutatásunk korai fázisában a UK Biobank-ban elsőként elérhető betegségadatok elemzésére koncentráltunk, mivel a betegségek együttes előfordulási mintázatai - a komorbiditások és multimorbiditások - közös hátteret jelezhetnek, amelyek a betegségek megértését, kezelések optimalizálását és akár új, több betegség együttes kezelését célzó gyógyszereknek a kifejlesztését is segíthetik2-4. A halmozódó betegségek együtteseinek vizsgálata az idősödő társadalmak miatt is indokolt, azonban a 20 és 64 év közötti korosztályban is a fejlett országok lakosságának a 31.7%-a küzd 4-nél több betegséggel vagy azok krónikus következményeivel5. Ezen korosztályban a betegségek közül a legnagyobb terhet a depresszió jelenti a társadalmakra6.
A korábbi komorbiditási elemzések adott betegségekre vagy betegségcsoportokra korlátozódtak, amelyek helyett egy minden gyakori betegséget magába foglaló elemzést végeztünk. Az alkalmazott módszertan a modern mesterséges intelligencia kutatások központjában álló valószínűségi gráfos modelleken alapul, amely a vizsgált változók összefüggéseinek és függetlenségeinek a teljes rendszerét reprezentálja, meghaladva a neurális modellezés és az asszociációs hálózati paradigmák korlátait7,8. A bizonytalanság kezelésére Bayes-statisztikai megközelítést alkalmaztunk, amely a lehetséges modellek (hipotézisek) nagy számának kezelésére ad egy statisztikailag hatékony és az értelmezést, utólagos feldolgozást segítő megoldást.
Az eredményeinket a PLOS Computational Biology újságban közöltük9. KÉP
A depresszió környéki morbiditási térkép, amelyben az egyes csomópontok rendre egy-egy betegséget jelölnek, a színek a betegségek egy csoportosítását (ICD-10 szerint), az élek pedig közvetlen, betegség-betegség közti kapcsolatokat reprezentálnak, amelyek nem más betegség által közvetítettek (az élek vastagsága a statisztikai megerősítés mértékét jelzi). Az elterjedten használt betegség-betegség asszociációs hálózatokkal szemben ez a térkép a megfigyelhető asszociációk minimális generatív modelljeit ábrázolja: a betegségek egymásra hatásának teljes rendszereit.
Az eredmények kiterjesztését a genetikai, környezeti, gyógyszerfogyasztási és életmódbeli, táplálkozási adatok felhasználásával tervezzük, amely kiterjesztés bár jelentős számítási kapacitást igényel, de mind a molekuláris szinteknek, mind a mindennapi életvitelnek és környezeti hatásoknak a figyelembevételét is biztosítani fogja.
Marx Péter 1,2 Antal Péter 1, Bolgár Bence 1, Bagdy Gyorgy 2,3, Bill Deakin 4, Juhász Gabriella 2,3,4,5,
1 Budapesti Műszaki és Gazdaságtudományi Egyetem, Méréstechnika és Információs Rendszerek Tanszék, Budapest
2 MTA-SE Neuropszichofarmakológiai és Neurokémiai munkacsoport, Magyar Tudományos Akadémia, Semmelweis Egyetem, Budapest
3 Semmelweis Egyetem, Gyógyszerésztudományi Kar, Gyógyszerhatástani Intézet, Budapest
4 Neuroscience and Psychiatry Unit and MAHSC, University of Manchester, UK
5 MTA-SE-NAP B Genetikai Agyi Képalkotó Migrén Kutató Csoport, Magyar Tudományos Akadémia, Semmelweis Egyetem, Nemzeti Agykutatási Program, Budapest
A munkát támogatta:
KTIA_NAP_13-1-2013-0001, KTIA_13_NAP-A-II/14, KTIA_NAP_13-2-2015-0001, OTKA 112915, OTKA 119866, Bolyai János MTA Kutatói Ösztöndíj (PA)
Hivatkozások
[1] Allen, N., Sudlow, C., Downey, P., Peakman, T., Danesh, J., Elliott, P., Gallacher, J., Green, J., Matthews, P., Pell, J. and Sprosen, T., 2012. UK Biobank: Current status and what it means for epidemiology. Health Policy and Technology, 1(3), pp.123-126.
[2] Rzhetsky, A., Wajngurt, D., Park, N. and Zheng, T., 2007. Probing genetic overlap among complex human phenotypes. Proceedings of the National Academy of Sciences, 104(28), pp. 11694-11699.
[3] Goh, K.I., Cusick, M.E., Valle, D., Childs, B., Vidal, M. and Barabási, A.L., 2007. The human disease network. Proceedings of the National Academy of Sciences, 104(21), pp. 8685-8690.
[4] Menche, J., Sharma, A., Kitsak, M., Ghiassian, S.D., Vidal, M., Loscalzo, J. and Barabási, A.L., 2015. Uncovering disease-disease relationships through the incomplete interactome. Science, 347(6224), p. 1257601.
[5] Atun, Rifat. Transitioning health systems for multimorbidity. The Lancet 386.9995 (2015): 721-722.
[6] WHO. "Depression and other common mental disorders: global health estimates." (2017)., 2017 07. 20. http://www.who.int/mental_health/management/depression/prevalence_global_health_estimates/en/,
[7] Bagley, S.C., Sirota, M., Chen, R., Butte, A.J. and Altman, R.B., 2016. Constraints on Biological Mechanism from Disease Comorbidity Using Electronic Medical Records and Database of Genetic Variants. PLoS Comput Biol, 12(4), p. e1004885.
