Diagnosticar adequadamente os transtornos mentais pode ser um desafio, especialmente para crianças pequenas que não conseguem preencher questionários ou escalas de avaliação. Esse desafio tem sido particularmente agudo em populações minoritárias pouco estudadas. Pesquisas genômicas anteriores encontraram vários sinais genômicos para uma variedade de transtornos mentais, com alguns servindo como potenciais alvos terapêuticos de drogas. Algoritmos de aprendizado profundo também têm sido usados para diagnosticar com sucesso doenças complexas como o transtorno de déficit de atenção e hiperatividade (TDAH). No entanto, essas ferramentas raramente foram aplicadas em grandes populações de pacientes afro-americanos.
Em um estudo único, os pesquisadores geraram dados completos de sequenciamento do genoma de 4,179 amostras de sangue de pacientes afro-americanos, incluindo 1,384 pacientes que foram diagnosticados com pelo menos um transtorno mental Este estudo se concentrou em oito transtornos mentais comuns, incluindo TDAH, depressão, ansiedade , transtorno do espectro autista, deficiência intelectual, transtorno de fala/linguagem, atrasos no desenvolvimento e transtorno desafiador de oposição (TDO). O objetivo de longo prazo deste trabalho é aprender mais sobre os riscos específicos para o desenvolvimento de certas doenças em populações afro-americanas e como melhorar potencialmente os resultados de saúde, concentrando-se em abordagens mais personalizadas de tratamento.
“A maioria dos estudos se concentra apenas em uma doença, e as populações minoritárias têm sido muito sub-representadas em estudos existentes que utilizam aprendizado de máquina para estudar transtornos mentais”, disse o autor sênior Hakon Hakonarson, MD, PhD, Diretor do Centro de Genômica Aplicada do CHOP . “Queríamos testar esse modelo de aprendizado profundo em uma população afro-americana para ver se ele poderia diferenciar com precisão pacientes com transtornos mentais de controles saudáveis e se poderíamos rotular corretamente os tipos de transtornos, especialmente em pacientes com vários transtornos”.
O algoritmo de aprendizado profundo procurou a carga de variantes genômicas em regiões codificantes e não codificantes do genoma. O modelo demonstrou mais de 70% de precisão na distinção de pacientes com transtornos mentais do grupo controle. O algoritmo de aprendizado profundo foi igualmente eficaz no diagnóstico de pacientes com vários distúrbios, com o modelo fornecendo correspondências diagnósticas exatas em aproximadamente 10% dos casos.
O modelo também identificou com sucesso várias regiões genômicas altamente enriquecidas para transtornos mentais, o que significa que elas eram mais propensas a estarem envolvidas no desenvolvimento desses transtornos médicos. As vias biológicas envolvidas incluíram aquelas associadas a respostas imunes, ligação de antígenos e ácidos nucleicos, uma via de sinalização de quimiocinas e receptores de proteínas de ligação a nucleotídeos de guanina. No entanto, os pesquisadores também descobriram que variantes em regiões que não codificam proteínas pareciam estar implicadas nesses distúrbios em maior frequência, o que significa que podem servir como marcadores alternativos.
“Ao identificar variantes genéticas e vias associadas, pesquisas futuras destinadas a caracterizar sua função podem fornecer uma visão mecanicista de como esses distúrbios se desenvolvem”, disse Hakonarson.
Esta pesquisa foi apoiada por Fundos de Desenvolvimento Institucional do CHOP para o Centro de Genômica Aplicada e do Hospital Infantil da Filadélfia Endowed Chair in Genomic Research.