Uutiset

Tuhansia algoritmeja opetettiin ennustamaan nivelreuman hoidon tehoa

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