Uutiset

Tuhansia algoritmeja opetettiin ennustamaan nivelreuman hoidon tehoa

Julkaistu:
Joukkoistetussa tutkimushaasteessa kliininen tieto tuotti paremman tuloksen kuin kliinisen ja geneettisen tiedon yhdistelmä.

Nivelreuma on krooninen tulehduksellinen autoimmuunisairaus, josta kärsii miljoonat ihmiset maailmassa. TNF-estäjähoito on laajasti käytössä oleva hoitomuoto tulehduksellisen sytokiinin estoon, mutta se ei tehoa noin kolmasosaan potilaista.

Laajan joukkoistetun tutkimuksen tavoitteena oli käyttää algoritmeja TNF-estäjähoidon tehokkuuden arviointiin kliinisen ja geneettisen tiedon perusteella. Samalla haluttiin algoritmien avulla löytää ne potilaat, joihin hoito ei tehoa.  Yhteensä satoja tutkijoita 73 tutkimusryhmässä eri puolilla maailmaa otti osaa avoimeen haasteeseen ja käytti kattavinta saatavissa olevaa tietoa yli 2700 potilaasta sekä myös laajaa kirjoa maailman parhaita mallinnuskeinoja.

Joukkoistetun tutkimushankkeen ensimmäisen vaiheen tulokset, Team MI sijoittui kolmanneksi.

Kahdeksan ennusteissaan parhaiten onnistunutta joukkuetta kutsuttiin mukaan viimeiseen vaiheeseen. Mukaan pääsi myös Team MI, joka koostui Aalto-yliopiston ja Helsingin yliopiston Suomen molekyylilääketieteen instituutin (FIMM) tutkijoista.

– Käytimme sekä harvaa lineaarista regressiomallia että monen ytimen mallia hoitovasteen ennustamiseen geneettisen ja kliinisen tiedon perusteella, kuvailee tutkijatohtori Lu Cheng tietotekniikan laitokselta.

Viimeisen vaiheen voittanut Team Outlier -joukkue ei käyttänyt lainkaan geneettistä tietoa viimeisellä kierroksella. Johtopäätöksenä on, että tällä hetkellä käytettävissä oleva geneettinen tieto ei lisännyt hoitovasteen ennusteen onnistumista merkittävästi tehokkaammin kuin kliiniset ennustavat muuttujat, kuten sukupuoli, ikä ja sairaustiedot.

– Jos rajallinen määrä geneettisiä variantteja selittäisi hoidon epäonnistumisen joillakin potilailla, tämä laajamittainen tutkimus olisi tuottanut siihen ennustusmallin. Geneettisten varianttien lukumäärä saattaa olla paljon suurempi ja niiden vaikutukset vastaavasti paljon pienempiä. Toisaalta puuttuva perinnöllisyys voi selittyä paremmin geneettisillä varianteilla, jotka eivät olleet mukana tutkimuksessa, kuten esimerkiksi harvinaisilla varianteilla, kertoo yliopistonlehtori Pekka Marttinen.

16 viikkoa kestäneen algoritmien opettamisen aikana 73 joukkuetta jätti arvioitavaksi yhteensä 4874 ennustetta. Nämä tutkimustulokset julkaistiin Nature Communications -aikakausijulkaisussa.

Lisätietoja:

Lu Cheng
Tutkijatohtori
Aalto-yliopisto
[email protected]
+358 50 430 1459

Pekka Marttinen
Yliopistonlehtori
Aalto-yliopisto
[email protected]
+358 50 512 4362

Artikkeli: Crowdsourced assessment of common genetic contribution to predicting anti-TNF treatment response in rheumatoid arthritis

  • Julkaistu:
  • Päivitetty:
Jaa
URL kopioitu

Lue lisää uutisia

Aalto University Väre building pictured in spring time.
Yhteistyö Julkaistu:

KPMG lahjoittaa Kauppakorkeakoululle välillisen verotuksen opetukseen

Lahjoitus on osa laajempaa yhteistyötä.
A closeup of a woman in green light wearing goggles that reflect colourful pixels
Tutkimus ja taide Julkaistu:

Syyskuussa aloittaa 14 uutta akatemiatutkijaa

Suomen Akatemia on myöntänyt Aalto-yliopistolle rahoituksen 14 akatemiatutkijan tehtävään.
On the background, white radiant lines over a black bacground and only hair and shoulder of a person passing by visible
Tutkimus ja taide Julkaistu:

Yli 19 miljoonaa euroa tutkimukseen

Suomen Akatemian akatemiatutkija- ja akatemiahankerahoituksen sai yhteensä 43 aaltolaista.
Tulevat dekaanit Kari Tammi ja Jussi Ryynänen.
Nimitykset, Mediatiedotteet Julkaistu:

Kari Tammi ja Jussi Ryynänen on nimitetty dekaaneiksi

Professori Kari Tammi aloittaa 1. heinäkuuta Insinööritieteiden korkeakoulussa ja professori Jussi Ryynänen 1. elokuuta Sähkötekniikan korkeakoulussa.