Nieuw onderzoek naar genetische oorzaken van psychische stoornissen

Het correct diagnosticeren van psychische stoornissen kan een uitdaging zijn, vooral voor jonge peuters die geen vragenlijsten of beoordelingsschalen kunnen invullen. Deze uitdaging is met name acuut geweest bij weinig bestudeerde minderheidspopulaties. Genomisch onderzoek uit het verleden heeft verschillende genomische signalen gevonden voor een verscheidenheid aan psychische stoornissen, waarvan sommige dienen als potentiële therapeutische doelwitten voor geneesmiddelen. Deep learning-algoritmen zijn ook gebruikt om met succes complexe ziekten te diagnosticeren, zoals ADHD (Attention Deficit Hyperactivity Disorder). Deze instrumenten zijn echter zelden toegepast bij grote populaties Afro-Amerikaanse patiënten.

In een unieke studie genereerden de onderzoekers volledige genoomsequentiegegevens van 4,179 bloedmonsters van patiënten van Afro-Amerikaanse patiënten, waaronder 1,384 patiënten bij wie ten minste één psychische stoornis was vastgesteld. Dit onderzoek richtte zich op acht veelvoorkomende psychische stoornissen, waaronder ADHD, depressie, angst , autismespectrumstoornis, verstandelijke beperking, spraak-/taalstoornis, vertraging in ontwikkelingen en oppositionele opstandige stoornis (ODD). Het langetermijndoel van dit werk is om meer te weten te komen over specifieke risico's voor het ontwikkelen van bepaalde ziekten bij Afro-Amerikaanse populaties en hoe de gezondheidsresultaten mogelijk kunnen worden verbeterd door te focussen op meer gepersonaliseerde benaderingen van behandeling.

"De meeste studies richten zich slechts op één ziekte, en minderheidspopulaties zijn erg ondervertegenwoordigd in bestaande studies die machinaal leren gebruiken om mentale stoornissen te bestuderen", zegt senior auteur Hakon Hakonarson, MD, PhD, directeur van het Center for Applied Genomics bij CHOP . "We wilden dit deep learning-model testen bij een Afro-Amerikaanse populatie om te zien of het patiënten met psychische stoornissen nauwkeurig kon onderscheiden van gezonde controles, en of we de soorten stoornissen correct konden labelen, vooral bij patiënten met meerdere stoornissen."

Het deep learning-algoritme zocht naar de last van genomische varianten in coderende en niet-coderende gebieden van het genoom. Het model toonde een nauwkeurigheid van meer dan 70% bij het onderscheiden van patiënten met psychische stoornissen van de controlegroep. Het deep learning-algoritme was even effectief bij het diagnosticeren van patiënten met meerdere aandoeningen, waarbij het model in ongeveer 10% van de gevallen exacte diagnostische overeenkomsten bood.

Het model identificeerde ook met succes meerdere genomische regio's die zeer verrijkt waren voor psychische stoornissen, wat betekent dat ze meer kans hadden om betrokken te zijn bij de ontwikkeling van deze medische stoornissen. De betrokken biologische routes omvatten die geassocieerd met immuunresponsen, antigeen- en nucleïnezuurbinding, een chemokine-signaleringsroute en guanine-nucleotide-bindende eiwitreceptoren. De onderzoekers ontdekten echter ook dat varianten in regio's die niet coderen voor eiwitten, met een hogere frequentie betrokken lijken te zijn bij deze aandoeningen, wat betekent dat ze als alternatieve markers kunnen dienen.

"Door genetische varianten en bijbehorende routes te identificeren, kan toekomstig onderzoek gericht op het karakteriseren van hun functie mechanistisch inzicht verschaffen in hoe deze aandoeningen zich ontwikkelen," zei Hakonarson.

Dit onderzoek werd ondersteund door institutionele ontwikkelingsfondsen van CHOP tot het Center for Applied Genomics en het Children's Hospital of Philadelphia Endowed Chair in Genomic Research.