مقدمه: چالش رو به رشد دیابت و وعده شخصی سازی

دیابت، به ویژه دیابت نوع 2 (T2D)، به نسبت های اپیدمی در سراسر جهان رسیده است.با توجه به سازمان بهداشت جهانی، تعداد افرادی که مبتلا به دیابت هستند از 108 میلیون در 1980 به برآورد شده 537 میلیون در 2021 رسیده است، با پیش بینی های شکل یافته یک افزایش بیشتر به 783 میلیون تا 2045، این وضعیت یک علت پیشرو نابینایی، نارسایی کلیه، پیشگیری از سکته مغزی، و کاهش وزن است - در حالی که اغلب افزایش یافته است - به عنوان یک اثر ژنتیکی خاص از طریق کاهش وزن و کاهش وزن، به عنوان یک روش زندگی آنها.

پیشرفت های اخیر در یادگیری ژنومیک و ماشین (ML) در حال حاضر یک تغییر پارادایم را فعال می کند: به جای مشاوره پیشگیری عمومی، ما می توانیم برنامه های پیشگیری از دیابت مبتنی بر داده را شخصی سازی کنیم که برای اهداف ژنتیکی فرد حساب می کند.این مقاله بررسی می کند که چگونه الگوریتم های یادگیری ماشین تجزیه و تحلیل داده های ژنتیکی برای شناسایی افراد با خطر بالا، مداخلات و پیشرفت های دقیق تر، و موثر تر می شوند.

درک دیابت و زیرمجموعه ژنتیکی آن

دیابت نوع 2 یک اختلال پیچیده و چندوژنیک است در حالی که عوامل سبک زندگی مانند چاقی (LT2) رفتار بی تحرک و تغذیه ضعیف عوامل اصلی هستند، ژنتیک نقش مهمی در مطالعات دوقلو ایفا می کند که برآورد می کند که میزان آسیب پذیری T2D در 30-70٪ است: ژنوم های ارتباطی ژنوم (GWAS) بیش از 400GFci ژنتیکی مرتبط با T2D و صفات مرتبط با انسولین (F2F2F) و عملکرد قابل کنترل بتا

با این حال، انواع ژنتیکی منفرد به طور معمول تنها افزایش متوسط در خطر را به عهده می گیرند.قدرت واقعی در جمع آوری انواع مختلف به یک امتیاز خطر چندوژنیک (PRS) خلاصه می کند که اثر ترکیبی از ده ها تا میلیون ها نوع اثر کوچک، تولید یک عدد که نشان دهنده حساسیت ژنتیکی فرد است. تحقیقات نشان می دهد که افراد در بالاترین PRSle پس از تنظیم دو برابر در مقایسه با کاهش خطر ابتلا به این دو برابر افزایش یافته است.

با این حال، خطر ژنتیکی به تنهایی سرنوشت نیست، همان مطالعات نشان می دهد که اصلاح شیوه زندگی می تواند به طور قابل ملاحظه ای باعث کاهش میزان ابتلا به دیابت حتی در میان افراد مبتلا به PRS بالا شود.چالش (FLT:0) شناسایی کننده که نیاز به مداخله فوری دارند [FLT 1 ] و tailoring مداخله برای به حداکثر رساندن و [ اثربخشی3] این ماشین یادگیری است که وارد تصویر می شود.

چگونه یادگیری ماشین شخصی سازی را در مقیاس

روش های آماری سنتی اغلب در مدیریت ابعاد بالا، غیر خطی و تعاملی از داده های ژنتیکی و بالینی محدود می شوند. الگوریتم های یادگیری ماشین در کشف الگوهای پیچیده در مجموعه داده های بزرگ برتری دارند.در اینجا روش های کلیدی ML در حال تبدیل برنامه های پیشگیری از دیابت هستند:

ریسک پذیری و تشخیص زود هنگام

مدل های یادگیری فوق العاده - مانند جنگل های تصادفی، ماشین های تقویت کننده گرادیان و شبکه های عصبی عمیق - می توانند در گروه های بزرگ آموزش دیده شوند (به عنوان مثال، انگلستان Biobank، همه ما) که شامل داده های ژنومی، سوابق سلامت الکترونیکی (EHRs)، و این مدل ها یاد می گیرند که خطر مطلق توسعه T2D را در یک مثال سنتی به طور خودکار یاد بگیرند.

مطالعات اخیر نشان داده اند که امتیازات ریسک بالینی مبتنی بر ML در رتبه بندی های معمول بالینی (به عنوان مثال، امتیاز خطر دیابت فنلاند، HolRISC) در تبعیض و کالیبراسیون، یک مطالعه 2021 منتشر شده در طب طبیعی [FLT 1 نشان داد که یک مدل ML ادغام PRS، سابقه خانوادگی، BMI، و سرعت منطقه گلوکز (۸C) برای پیش بینی ۵٫۵ سال بهبود یافته است.

انتخاب و شناسایی رمان Biomarkers

روش های یادگیری یکپارچه مانند خوشه و خودکارسازی می توانند زیرگروه های ناشناخته قبلی افراد را بر اساس پروفایل های ژنتیکی و متابولیک خود شناسایی کنند، به عنوان مثال، برخی از افراد ممکن است به طور ژنتیکی مستعد مقاومت به انسولین باشند، در حالی که دیگران نقص در پیشگیری از شیوه زندگی شخصی دارند، ممکن است بر استراتژی های مختلف تأکید کنند: افزایش گلوکز برای افراد مقاوم به انسولین در مقابل حفظ عملکرد بتا برای تشخیص دقیق ترین متغیرهای تشخیص، به طور بالقوه می تواند از ژن های بالینی جلوگیری کند.

بهینه سازی محتوای مداخله و تحویل

هنگامی که خطر پیش بینی می شود، سوال می شود: چه چیزی برای این شخص بهتر کار می کند؟ الگوریتم ML می تواند به شخصی سازی خود مداخله کمک کند، به عنوان مثال، یادگیری تقویت کننده (RL) می تواند برای تنظیم پویا توصیه های غذایی، اهداف ورزشی و محرک های رفتاری بر اساس انطباق زمان واقعی و پاسخ های متابولیک فرد استفاده شود.

علاوه بر این، روش های استنتاج ML (به عنوان مثال، جنگل های علی، یادگیری ماشین دوگانه) می توانند اثرات درمانی ناهمگن را تخمین بزنند: چگونه زیرگروه های مختلف به استراتژی های پیشگیری خاص پاسخ می دهند. A فرد با یک خاص (FLT:0TCF7L2 ممکن است از رژیم غذایی کمگلیسمی بهره مند شوند، در حالی که ممکن است یک برنامه غذایی با پروتئین بالا برای استفاده از این مدل های تغذیه ای شخصی سازی و تغذیه ای که می تواند توصیه های ژنتیکی شخصی سازی شده بر اساس برنامه های ژنتیکی و مواد غذایی شخصی سازی شده باشد.

منابع داده: ایجاد بنیاد برای برنامه های شخصی

یادگیری ماشین موثر نیاز به داده های جامع و با کیفیت بالا دارد.منبع های زیر برای آموزش و استقرار مدل های پیشگیری از دیابت شخصی حیاتی هستند:

  • توالی توالی و آرایه های Genotyping: کل ژنوم توالی، توالی کامل از بلوغ کامل، یا آرایه های SNP داده های ژنتیکی خام را کاهش می دهد، و باعث کاهش، و ایجاد ژنوم بزرگ قابل استفاده برای تنظیمات بالینی و تحقیقاتی می شود.
  • ] سوابق بهداشت الکترونیک (EHRs): ] داده های طولانی مدت EHR - از جمله تشخیص، داروها، نتایج آزمایشگاه ( گلوکز سریع، HbA1c، چربی ها) و علائم حیاتی - زمینه فن آوری درمانی مورد نیاز برای پیش بینی خطر و اندازه گیری نتیجه را فراهم می کند.
  • دستگاه های پوشیدنی و سلامت موبایل (mHealth): مانیتورهای گلوکز مداوم، ساعتهای هوشمند و ردیاب های فعالیت، داده های با فرکانس بالا را در مورد فعالیت فیزیکی، ضربان قلب، خواب و الگوهای گلوکز خون ایجاد می کنند.این داده ها بازخورد زمان واقعی و تنظیمات مداخله پویا را فعال می کنند.
  • ] پرسشنامه های پولی و سبک زندگی: خود گزارش شده یا بسته های غذایی مبتنی بر اسکن، یادآوری فعالیت های فیزیکی و ارزیابی های روان شناختی (استرس، افسردگی، خودکارسازی) ابعاد رفتاری اضافه می کنند.
  • بانک ها و تحقیقات Cohorts: مجموعه داده های عمومی در دسترس مانند انگلستان Biobank (5000،000+ شرکت کنندگان با داده های ژنتیکی، بهداشتی و شیوه زندگی)، همه برنامه تحقیقاتی ما، و فینگن ارائه نمونه های آموزش بزرگ و متنوع ضروری برای ساخت مدل های عمومی.

یکپارچه سازی این انواع داده های ناهمگن خود یک چالش ML است. معماری های یادگیری چند منظوره - مانند شبکه های عصبی گراف یا مدل های مبتنی بر ترانسفورماتور - برای ادغام داده های ژنتیکی، بالینی و پوشیدنی به یک چارچوب پیش بینی یکپارچه توسعه یافته است.

توسعه برنامه های پیشگیری شخصی: از الگوریتم تا عمل

انتقال خروجی ML به برنامه های پیشگیری عملی نیاز به همکاری بین دانشمندان داده، پزشکان، متخصصان رژیم غذایی و کارشناسان تغییر رفتار دارد.یک خط لوله معمولی ممکن است به نظر برسد:

  1. ارزیابیRisk: یک فرد یک نمونه بزاق یا خون برای ژنوتپینگ فراهم می کند و پرسشنامه سلامت را تکمیل می کند. مدل ML یک امتیاز ریسک شخصی را محاسبه می کند و رانندگان قابل اصلاح کلیدی را شناسایی می کند (به عنوان مثال، مقاومت بالا انسولین، فعالیت فیزیکی پایین، خواب ضعیف).
  2. طراحی مداخله: بر اساس مشخصات خطر و برآورد اثر درمان، یک برنامه مناسب تولید می شود.برای یک فرد با خطر ژنتیکی بالا برای چاقی (به عنوان مثال، FTO خطر همهele] اما حساسیت به انسولین خوب، برنامه ممکن است بر زمان غذا و کنترل مواد غذایی بر کاهش چربی بالا، اما تمرکز بالا.
  3. تحویل و نظارت: برنامه از طریق یک پلت فرم دیجیتال (web یا برنامه) تحویل داده می شود که اهداف روزانه یا هفتگی، محتوای آموزشی و چت های نظارت بر گلوکز مداوم به سیستم ML، که به روز رسانی پیش بینی های خطر و تنظیم توصیه در زمان واقعی است.
  4. برگشت و تقویت: سیستم پیروی و نتایج را دنبال می کند، اگر HbA1c کاربر به اندازه پیش بینی شده بهبود نمی یابد، الگوریتم ممکن است پیشنهاد تغییر برنامه رژیم غذایی یا افزایش شدت فعالیت را پیشنهاد کند.

در یک مطالعه آزمایشی توسط لی و همکاران (2022)، 150 بزرگسال پیش دیابتی به طور قابل توجهی به مداخله سبک زندگی استاندارد یا یک برنامه ژنتیکی شخصی شده هدایت شده توسط یک مدل ML نشان داد که گروه شخصی سازی شده کاهش 1.5 برابر بیشتر در ابتلا به دیابت 2 ساله، با پایبندی به توصیه های رژیم غذایی به طور قابل توجهی بالاتر گزارش شده است که آنها را بهتر و با انگیزه بیشتر به ادامه می دهد.

مزایای شخصی سازی ماشین یادگیری-Driven Personalization

مزایای آن فراتر از نتایج بالینی بهبود یافته است:

  • مشارکت بالا: هنگامی که افراد می بینند که یک برنامه به طور خاص برای ژن ها و شیوه زندگی خود طراحی شده است، آنها احساس مالکیت و احتمال بیشتری برای ادامه کار دارند.
  • ترکیب: جلوگیری از حتی بخشی از موارد دیابت صرفه جویی گسترده برای سیستم های مراقبت های بهداشتی را به ارمغان می آورد.برنامه های شخصی منابع را بر کسانی که بیشترین سود را دارند، کاهش زباله از مداخلات عمومی و کم اثر متمرکز می کنند.
  • کاهش نابرابری های بهداشتی: در حالی که پایگاه های داده ژنتیکی از نظر تاریخی جمعیت غیر اروپایی را نمایندگی می کنند، تلاش برای تنوع زیستی بانک ها و استفاده از ML آگاه می تواند اطمینان حاصل کند که برنامه های شخصی شده به نفع همه گروه های قومی است.
  • یادگیری مداوم: مدل های ML در طول زمان بهبود می یابند، زیرا داده های بیشتر جمع آوری می شود.یک سیستم مستقر در کلینیک می تواند به صورت دوره ای به روز شود تا منعکس کننده تحقیقات جدید، جمعیت های جدید و نشانگرهای جدید باشد.

چالش ها و ملاحظات اخلاقی

علی رغم وعده، موانع قابل توجه باقی می مانند، این موارد باید قبل از اینکه پیشگیری از دیابت مبتنی بر ML در مقیاسی انجام شود، مورد توجه قرار گیرند:

حریم خصوصی داده ها و امنیت

داده های ژنتیکی منحصر به فرد شناسایی و حساس است.حادثه های نقض داده ها یا سوء استفاده می تواند باعث آسیب روانی و اجتماعی (به عنوان مثال، تبعیض توسط بیمه گران یا کارفرمایان) رمزگذاری قوی، تکنیک های حریم خصوصی تفاوت و انطباق با مقررات مانند HIPAA (US) و GDPR (اروپا) فرآیندهای مربوطه باید به وضوح توضیح دهند که چگونه داده های ژنتیکی استفاده می شود، ذخیره شده و به اشتراک گذاشته می شوند.

بیاس و Generalizability

بیشتر مطالعات ژنتیکی در جمعیت های اجداد اروپایی انجام شده است. مدل های ML آموزش دیده در چنین داده هایی ممکن است در هنگام استفاده از افراد آفریقایی، آسیایی یا بومی، ضعیف عمل کنند، تشدید اختلافات بهداشتی موجود مانند تمام برنامه ما و کنسرسیوم H3آفریقایی هدف جمع آوری داده های متنوع است.

قابلیت پیش بینی و اعتماد

مدل های یادگیری عمیق اغلب "جعبه های سیاه" هستند، اگر یک مدل یک برنامه رژیم غذایی خاص را بدون توضیح اینکه چرا، پزشکان و بیماران ممکن است تمایلی به پیروی از آن نداشته باشند، روش های AI قابل توضیح (XAI) مانند مقادیر SHAP، LIME یا مکانیسم های توجه – می توانند مشخص کنند که کدام عوامل ژنتیکی و شیوه زندگی توصیه، اعتماد و کنترل بالینی را هدایت می کنند.

ادغام بالینی

سیستم های بهداشتی هنوز تنظیم نشده اند تا به طور منظم داده های ژنومیک را پردازش کنند و برنامه های پیشگیری مبتنی بر ML را تولید کنند. Updating سیستم های EHR، آموزش پزشکان در ژنومیک ها و بازگرداندن خدمات پیشگیری شخصی همه نیازمند برنامه های نظارتی و سیاست گذاری هستند.

استفاده اخلاقی از اطلاعات پیش بینی کننده

اگر به افراد گفته شود که خطر ژنتیکی بالایی برای دیابت دارند اگر هیچ مداخله موثر در دسترس نباشد؟ چگونه از کشنده گرایی جلوگیری کنیم؟ مشاوره باید تاکید کند که خطر ژنتیکی از طریق رفتار اصلاح می شود. علاوه بر این، خطر "ارزیابی ژنتیکی" وجود دارد که مدل های ML باید با ارائه احتمالات، نه ریسک پذیری، مقابله کنند.

مسیر های آینده: به سوی یک سیستم پیشگیری از یادگیری

دهه آینده احتمالا همگرایی چندین روند را که باعث تسریع پیشگیری از دیابت شخصی می شود، مشاهده خواهد کرد:

  • امتیازات خطر ژنتیکی به استاندارد تبدیل می شوند: به عنوان مطالعات اعتبار PRS گسترش به جمعیت های مختلف، این نمرات ممکن است بخشی از ارزیابی بالینی روزمره، شبیه به غربالگری کلسترول، ML PRS را با ترکیب انواع نادر، علائم اپی ژنتیک و اثرات خاص اجداد بهبود می بخشد.
  • Integration با دوقلوهای دیجیتال: یک "گلوله دیجیتال" یک مدل کامپیوتری است که متابولیسم فرد را با استفاده از داده های ژنتیکی، بالینی و رفتاری خود شبیه سازی می کند. ML- بهینه سازی شده می تواند صدها مداخله در silico را قبل از توصیه یک به بیمار آزمایش کند.این در حال حاضر برای مدیریت دیابت در پروژه های "پیشاب" اروپا "پیش از آن مورد بررسی قرار گرفته است.
  • آموزش اجباری و محاکمات N-of-1: به جای میانگین جمعیت، سیستم های RL برنامه مداخله هر فرد را به عنوان یک آزمایش مداوم N-of-1، یادگیری استراتژی های بهینه در زمان واقعی شخصی سازی می کنند.
  • یادگیری اجباری: برای غلبه بر موانع حریم خصوصی داده ها، آموزش تغذیه اجازه می دهد مدل های ML در سراسر بیمارستان های متعدد و بانک های زیستی بدون به اشتراک گذاری داده های ژنتیکی خام آموزش ببینند.این مدل های قدرتمند تر و متنوع تر را در حالی که از حریم خصوصی بیمار محافظت می کند، فراهم می کند.
  • تغییرات بالینی و جبران خسارت: به عنوان شواهدی از مقرون به صرفه بودن انباشته، شرکت های بیمه و سیستم های بهداشت عمومی ممکن است شروع به پوشش تست ژنتیکی شخصی و برنامه های پیشگیری از هدایت ML. مراکز کنترل و پیشگیری از بیماری (CDC) در حال حاضر برنامه های پیشگیری از دیابت که می تواند با شخصی سازی افزایش یابد.

نتیجه گیری

شخصی سازی پیشگیری از دیابت دیگر یک آرزو نظری نیست - این یک واقعیت ملموس است که توسط یادگیری ماشین و در دسترس بودن در حال رشد داده های ژنتیکی فعال می شود.با این حال، با حرکت فراتر از مشاوره عمومی برای مداخلات متناسب با استعداد ژنتیکی منحصر به فرد هر فرد فرد فرد فرد فرد، شیوه زندگی و متابولیسم، ما می توانیم به طور چشمگیری صرفه جویی در پیشگیری، تعامل و عدالت شخصی را بهبود بخشیم، اما تحقق بخشیدن به طور چشمگیری، توسعه دهندگان نرم افزار های ارتباطی قوی، و توسعه دهندگان نرم افزار یادگیری اخلاقی، و توسعه دهندگان نرم افزار های زیست شناختی، و یادگیری فنی، و ارتباطات شخصی، و نه تنها به طور چشمگیری می تواند به صرفه جویی در زمینه های زیست شناختی کمک کند.

برای مطالعه بیشتر، به در سازمان بهداشت جهانی اشاره کنید ، برنامه پیشگیری از دیابت ملی و طبیعت بررسی در نمرات خطر چندوژنیک در عمل بالینی .