Genomische Biobank-Studien verbessern personalisierte Krankheitsvorhersage und psychiatrische Risikoerkennung

Aktuelle Studien, die genomische Daten aus großen Biobanken nutzen, verbessern die personalisierte Krankheitsvorhersage und vertiefen das Verständnis der gemeinsamen genetischen Anfälligkeit für psychiatrische und körperliche Erkrankungen. Eine Studie zeigte eine praktische Recall-by-Genotyp-Strategie für die Präzisionspsychiatrie, eine andere identifizierte weit verbreitete genetische Korrelationen zwischen psychiatrischen und körperlichen Krankheitssystemen, und eine dritte fand heraus, dass die Integration von Krankheitsverlaufstrajektorien die Vorhersageleistung verbessert.

In einer Studie, die in npj Genomic Medicine veröffentlicht wurde, nutzten Forscher des Icahn School of Medicine at Mount Sinai BioMe, eine der größten und vielfältigsten Biobanken des Gesundheitswesens des Landes, um Personen zu identifizieren, die seltene Kopienzahlvarianten (CNVs) tragen, die das Risiko für neurodevelopmental Störungen einschließlich Autismus-Spektrum-Störung, geistiger Behinderung und Schizophrenie erheblich erhöhen. Sie kontaktierten 892 Teilnehmer erneut – 335 CNV-Träger, 217 Personen mit Schizophrenie ohne diese Varianten und 340 neurotypische Kontrollpersonen – um zu bewerten, ob Recall-by-Genotyp umgesetzt werden konnte. Achtzehn Prozent der Teilnehmer reagierten auf die Rekrutierung und 8 Prozent schlossen umfassende psychiatrische und kognitive Untersuchungen ab. Die endgültige Kohorte war vielfältig: 37 Prozent der Teilnehmer gaben eine afrikanische Abstammung an, 34 Prozent eine hispanische und 26 Prozent eine europäische. Detaillierte Untersuchungen identifizierten entwicklungsbezogene, klinische und kognitive Merkmale, die über die in routinemäßigen elektronischen Gesundheitsakten erfassten hinausgingen. Die Studie etabliert operationelle Benchmarks für die Umsetzung von Recall-by-Genotyp-Studien in vielfältigen Gesundheitssystemen. Der Seniorautor erklärte: „Indem wir Teilnehmer mit seltenen CNVs für detaillierte Untersuchungen erneut kontaktierten, haben wir sowohl Chancen als auch Herausforderungen des Recall-by-Genotyp-Studiendesigns in einer großen, vielfältigen Biobank des Gesundheitswesens aufgezeigt."

Eine weitere Studie wandte Genomic SEM an und führte Genomic E-SEM bei 73 körperlichen Endpunkten (~1,9 Millionen Fälle) aus acht medizinischen Bereichen ein, wobei latente körperliche Erkrankungsfaktoren zusammen mit psychiatrischen Faktoren modelliert wurden. Denk-/psychotische und zwanghafte Faktoren zeigten nur wenige Assoziationen mit körperlichen Erkrankungsfaktoren, während internalisierende, neurodevelopmental und substanzbezogene Faktoren erhebliche genomweite genetische Korrelationen mit allen körperlichen Erkrankungssystemen aufwiesen. Eine multivariate GWAS eines transdiagnostischen körperlichen Erkrankungsfaktors, der durch 21 körperliche Störungen definiert ist, identifizierte 27 genomische Risikoloci und zeigte eine erhebliche prädiktive Validität in anschließenden PheWAS-Analysen. Die Ergebnisse offenbaren eine weit verbreitete Risikoteilung zwischen spezifischen Gruppen psychiatrischer und körperlicher Erkrankungen und legen die Notwendigkeit zusätzlicher nosologischer Rahmenwerke nahe.

Eine dritte Studie schlug ein personalisiertes Krankheitsvorhersage-Framework vor, das strukturierte genomische Variantenannotationen, tiefe semantische Einbettungen longitudinaler Krankheitsverläufe und Prozesskonformitätsmetriken aus historischen Krankheitspfaden integriert. Die Einbettungen der Krankheitsverläufe wurden mit drei BERT-basierten Modellen – BioBERT, BioClinicalBERT und BiomedBERT – erzeugt, und ein auf Alignment basierender Prozesskonformitäts-Check maß, wie genau der Krankheitsverlauf einer Person typischen populationsbezogenen Progressionsmustern entspricht. Über sieben Feature-Konfigurationen hinweg verbesserte die Einbeziehung konformitätsbasierter Fitnessmerkmale die Vorhersageleistung über alle Krankheitskategorien und Klassifikatoren, was zu höheren AUROC-Werten und niedrigeren Brier-Scores führte, während Konfigurationen mit ausschließlich Einbettungen oder ausschließlich genomischen Variantenannotationen zu den am schlechtesten abschneidenden Modellen gehörten. Die Ergebnisse deuten darauf hin, dass die Prozesskonformität von Krankheitspfaden zeitliche und verhaltensbezogene Informationen erfasst, die durch genomische oder tiefe semantische Merkmale allein nicht vollständig repräsentiert werden; zukünftige Arbeiten werden sich auf enger definierte Erkrankungen konzentrieren.