治療におけるバルプロアート反応を予測するトランスレーションマルチモデルの機械学習プロトタイプ

科学分野:

• ファルマゲノミクス
• 神経科学
• コンピュータ生物学

背景:

• は世界人口の1%に影響し,しばしば長期の抗発作薬 (ASM) 治療を必要とします.
• 現在のASMの選択は試行錯誤に基づいていますが,第一線治療で持続的な発作フリーを達成した患者は50%のみです.
• Valproic Acid (VPA) は,一般的な第一線ASMであり,ほぼ50%の患者で,不適切な発作制御 (ISC) または許容できない副作用 (UAR) を示す.

研究 の 目的:

• 患者におけるバルプロ酸 (VPA) 治療決定の最適化のための予測アルゴリズムの開発と検証.
• パーソナライズされたVPA治療のために,in-vitroニューロン応答と遺伝的変異を含むマルチモダルのデータを統合する.
• 治療の遅延,患者の負担,および不適正なVPA治療に関連する医療費を減らすために.

主な方法:

• インビトロデータ,遺伝的変異 (一般的および稀有),および事前の知識を統合した予測アルゴリズムを開発した.
• VPAの薬理動力学と薬理動力学に関連する遺伝子に焦点を当てたマルチモダルのパイプラインを使用しました.
• 多民族のデータセットとEpi25コホートを使用してアルゴリズムを訓練し,検証し,独立したコホートで概念証明の検証を行いました.

主要な成果:

• 予測アルゴリズムは,全体的なパフォーマンスは控えめでしたが,予測の精度と高い負の予測値を通じて潜在的な臨床的価値を強調しました.
• このモデルは,VPA治療にかかる時間を大幅に短縮する可能性を示しました.
• 患者負担と医療費の削減

結論:

• 転写バイオマーカーベースのアルゴリズムは,VPA治療のパーソナライゼーションの有望性を示し,すべてに合う"つのアプローチを超えています.
• 開発されたプロトタイプは,データ要件 (SNPとWES) により臨床的にまだ準備ができていないが,治療の有効性を高めるための実行可能な経路を示している.
• パーソナライズされたVPA療法は,発作の解放までの時間を短縮し,ISCとUARを最小限に抑えることで,生活の質を改善することができます.