Diagnosi delle malattie genetiche: un nuovo metodo fra medicina personalizzata e AI

L'American Journal of Human Genetics pubblica uno studio internazionale cui ha partecipato il dipartimento di Informatica 'Gianni Degli Antoni' dell'Università Statale di Milano.

Stiamo parlando di SQUIRLS (Super Quick Information-content Random-forest Learning of Splice variants ), "scoiattolesco" acronimo (dall'inglese squirrel) di un metodo computazionale basato su meta-learning e teoria dell’informazione, che apre a nuove possibilità di diagnosi e cura delle malattie genetiche.

Lo studio - guidato da Peter Robinson del Jackson Lab of Genomic Medicine e condotto congiuntamente da AnacletoLab, il laboratorio di AI applicata alla biologia molecolare e alla medicina del dipartimento di Informatica della Statale, dalla University of Colorado e dalla Queen Mary University of London - fornisce nuovi strumenti predittivi per la diagnosi di patologie genetiche mendeliane basata su tecnologie di next-generation sequencing.

Le nuove biotecnologie di sequenziamento del genoma e del trascrittoma hanno consentito di diagnosticare diverse patologie genetiche, lasciando però ancora irrisolti alcuni problemi. In primo luogo, la corretta classificazione delle varianti genetiche che alterano il meccanismo di splicing, cioè il processo con cui le parti codificanti del gene si ricombinano per costruire l'RNA messaggero maturo.

Recenti studi hanno mostrato che l'alterazione dello splicing (missplicing) è alla base di diverse malattie genetiche e tumorali, e l'individuazione delle varianti genetiche responsabili del missplicing situate in profondità negli introni ed esoni dei geni è uno dei problemi aperti nell'ambito della biologia computazionale e della medicina di precisione.

"SQUIRLS si è rivelato efficace non solo per associare 'uno score di patogenicità alle varianti di splicing situate in profondità negli introni e negli esoni, ma anche per la diagnosi di patologie mendeliane basata sull'analisi dell'intero genoma di un singolo paziente" – ci spiega Giorgio Valentini, docente di Informatica alla guida di AnacletoLab. "E la grande novità di SQUIRLS, rispetto ad altri metodi di machine learning proposti in letteratura, è la sua 'capacità' di visualizzare e interpretare i risultati ottenuti, a supporto delle decisioni cliniche per il trattamento e la terapia individualizzata dei pazienti".

Attualmente gli autori dello studio stanno già lavorando a un metodo di machine learning ibrido, che integri i metodi di SQUIRLS (basati sulla teoria dell’informazione e sul meta-learning) con metodi di deep learning (basati su reti neurali convoluzionali e ricorrenti, addestrate direttamente sulle sequenze nucleotidiche del genoma), con l'obiettivo di sviluppare sistemi di AI ancora più sensibili e precisi capaci di individuare un insieme più ampio di varianti di missplicing associate a patologie genetiche.