ԱԲ-ի օգնությամբ բժիշկներն ախտորոշում են երեխաների հազվագյուտ գենետիկ հիվանդությունները

Նույնիսկ գենոմի սեքվենավորումից հետո հազվագյուտ հիվանդություններ ունեցող շատ մարդիկ այդպես էլ չեն ստանում հստակ գենետիկական ախտորոշում։ Ընդարձակ հետազոտություններից և մասնագետների մանրակրկիտ գնահատումից հետո նրանց մոտավորապես կեսը շարունակում է մնալ առանց ախտորոշման։ Նրանց բժշկական տվյալները կարող են պարունակել կարևոր հուշումներ, սակայն դրանց հայտնաբերումը հաճախ պահանջում է ուսումնասիրել հազարավորից մինչև միլիոնավոր հնարավոր գենետիկական տարբերակներ, մասնատված կլինիկական գրառումներ և արագ փոփոխվող գիտական գրականություն։

Քանի որ շարունակաբար կուտակվում են գեն-հիվանդություն կապերի, դեպքերի նկարագրությունների և տարբերակների դասակարգման ապացույցների վերաբերյալ նոր տվյալներ, նախկինում չլուծված դեպքերը կարող են դառնալ նորովի մեկնաբանելի։

Բոստոնի մանկական հիվանդանոցի Manton Center for Orphan Disease Research-ի, Հարվարդի համալսարանի և OpenAI-ի հետազոտողները OpenAI o3 Խորքային ուսումնասիրության հիմնավորման մոդելն օգտագործեցին նախկինում ուսումնասիրված, սակայն չլուծված մնացած 376 դեպքերի ապանույնականացված կլինիկական և գենոմային տվյալները վերլուծելու համար։ Մոդելը ներկայացրեց ապացույցներով հիմնավորված հնարավոր բացատրություններ, որոնք հետագայում գնահատվեցին հետազոտողների և կլինիկական բժիշկների կողմից։ Փորձագետների գնահատումից, լրացուցիչ հետազոտություններից և կլինիկական հաստատումից հետո բժիշկները կարողացան ախտորոշում հաստատել 18 դեպքի համար, ինչը մասնագետների կողմից ավելի վաղ կատարված վերլուծությունից հետո ապահովեց լրացուցիչ 4.8% ախտորոշման արդյունավետություն։ Հետազոտությունը հրապարակվել է 2026 թվականի հունիսի 18-ին NEJM AI-ում և ցույց է տալիս, թե ինչպես կարող է արհեստական բանականությամբ աջակցվող հետազոտական աշխատանքային գործընթացը օգնել մասնագետներին բացահայտել նոր հուշումներ՝ կրկին ուսումնասիրելով ամենաբարդ դեպքերից մի քանիսը։

Այս դեպքերից շատերը, չնայած փորձագետների մանրակրկիտ վերլուծությանը, տարիներ շարունակ լուծում չէին ստացել։ Այս հետազոտության ընթացքում OpenAI o3 Խորքային ուսումնասիրությունն օգնեց հետազոտողներին բացահայտել նոր հուշումներ, որոնք հետագայում գնահատվեցին ընդունված կլինիկական գործընթացների շրջանակում։ Սա ցույց է տալիս, որ փորձագետների կողմից պարբերաբար իրականացվող կրկնակի վերլուծությունը գիտելիքների ընդլայնմանը զուգընթաց կարող է դառնալ ավելի մասշտաբային։ Մոդելը որևէ հիվանդի չի ախտորոշել և չի կայացրել որևէ կլինիկական որոշում։ Այն ձևակերպել է ապացույցներով հիմնավորված վարկածներ, որոնք մասնագետները կարող էին վերանայել և, անհրաժեշտության դեպքում, հետազոտել լրացուցիչ թեստավորման միջոցով ու հաստատել կլինիկական լաբորատորիայում։

Անորոշ գենետիկ թեստը միշտ չէ, որ վերջնական է։ Պացիենտի ֆենոտիպի նկարագրությունները, թեստերի արդյունքները և ընտանեկան պատմությունը կարող են ցրված լինել տարբեր նույնացուցիչներ, ձևաչափեր և բառապաշարներ օգտագործող տվյալների բազաներում։ Այդ գրառումները կապելը դժվար է, ուստի նույնիսկ մասնագետները կարող են բաց թողնել ախտորոշումը։ Փորձագետները կարող են նաև երեխայի գենոմը սեքվենավորել նախքան համապատասխան գենը կամ դրա տարբերակները հիվանդության հետ կապելը։ Գիտական գիտելիքի առաջընթացի հետ նույն տվյալները կարող են բացահայտել պատասխաններ, որոնք նախկինում անհնար էր գտնել։

Հազվագյուտ հիվանդությունների դեպքերի կրկնակի վերլուծությունը և՛ գիտական, և՛ պահպանման խնդիր է։ Հիվանդի գենոմը կարող է մնալ նույնը, սակայն դրա շուրջ առկա ապացույցները շարունակաբար փոխվում են. հետազոտողները հիվանդությունների հետ կապում են նոր գեներ և տարբերակներ, լաբորատորիաները վերադասակարգում են նախկինում նկարագրված տարբերակները, իսկ դեպքերի տվյալների բազաներն ու գիտական հրապարակումները համալրվում են նոր դիտարկումներով։ Յուրաքանչյուր նման թարմացում կարող է նախկինում անորոշ մնացած դեպքը դարձնել կրկին ուսումնասիրության արժանի, ուստի բազմաթիվ հաստատություններ կանգնում են աճող ծավալի այնպիսի գենոմների կուտակման առաջ, որոնք պետք է մշտապես համահունչ պահվեն շարունակաբար փոփոխվող գիտելիքների բազային։

Այս ուսումնասիրությունում հետազոտողները աշխատահոսքը նախագծեցին այնպես, որ մոդելը գործեր որպես գոյություն ունեցող գենոմային վերլուծության համակարգերի վրա ավելացված՝ բացատրությունների վրա հիմնված տրամաբանական հիմնավորման շերտ։ Միայն դասակարգված գեն վերադարձնելու փոխարեն մոդելից պահանջվեց կլինիկական հատկանիշները, ժառանգման օրինաչափությունը, տարբերակի ապացույցները և գիտական գրականությունը կապել հիմնավորման մեջ, որը մարդ փորձագետը կարող էր քննել։ 

Յուրաքանչյուր դեպքի համար հետազոտական թիմը կազմել էր ապանույնականացված տվյալների փաթեթ, որը ներառում էր հիվանդի կլինիկական դրսևորումները նկարագրող ստանդարտացված Human Phenotype Ontology տերմիններ, առանձին դեպքերում բժշկի նշումներ և կլինիկական ախտորոշման նկարագրություն, տարիքն ու սեռը ներառող մետատվյալներ, ինչպես նաև զտված գենային տարբերակների աղյուսակ։ Այդ աղյուսակում ներկայացված էին յուրաքանչյուր տարբերակի հազվադեպությունը, կոդավորվող սպիտակուցի վրա դրա կանխատեսվող ազդեցությունը, ClinVar-ի դասակարգումը և առկա ընտանիքի անդամների տվյալների հիման վրա գնահատված ազդանշանի որակը։ Դեպքերի մեծ մասում առկա էին երեխայի և նրա երկու կենսաբանական ծնողների տվյալները։

Թիմը մոդելին խնդրեց առաջարկել ամենահավանական մոլեկուլային բացատրությունը և ներկայացնել դրա հիմնավորումը։ Այնուհետև հետազոտողները արդյունքները վերանայեցին նույն ACMG/AMP շրջանակով, որն օգտագործվում է կլինիկական լաբորատորիաներում գենային տարբերակները դասակարգելու համար։ Յուրաքանչյուր թեկնածու վերանայվել է թիմի առնվազն երկու անդամի կողմից, տարաձայնությունները լուծվել են համաձայնությամբ, և իսկ մոդելի ներկայացրած որևէ արդյունք երբեք չհամարվեց ախտորոշում։ Բացահայտումը համարվում էր ախտորոշում միայն այն դեպքում, երբ որակավորված մասնագետները գնահատել էին ապացույցները, տարբերակը դասակարգվել էր որպես ախտածին կամ հավանաբար ախտածին, այն հաստատվել էր CLIA-ի հավաստագրում ունեցող լաբորատորիայում, և կլինիկական թիմը արդյունքը հայտնել էր ընտանիքին։

Նախքան չլուծված դեպքերի վերլուծությանը անցնելը, հետազոտական թիմը կատարելագործեց աշխատանքային գործընթացը՝ այն փորձարկելով արդեն հաստատված ախտորոշում ունեցող դեպքերի վրա։ Այն կրկնակի գործարկումներում վերականգնեց ճիշտ գենը և տարբերակը 51 դեպքից 48-ում, որոնք ներառում էին հազվագյուտ տարբեր վիճակներ։ 57 նյարդամկանային դեպքերի հավաքածուում աշխատանքային հոսքը կրկնակի գործարկումներում ճիշտ ախտորոշումը վերադարձրեց դեպքերից 45-ի համար։ Երկար ընթերցմամբ գենոմի 15 դեպքերի հավաքածուում այն բոլոր դեպքերում անվանեց ճիշտ գենը և 12 դեպքում՝ հիվանդություն առաջացնող երկու ալելները նույնպես։ Այս գնահատումները օգնեցին հարցման մշակմանը և ցույց տվեցին, թե որտեղ էր փորձագիտական վերանայումը դեռևս անհրաժեշտ։

Նախկինում լուծված այս դեպքերում մոդելի ինքնագնահատված վստահության միավորները համահունչ էին ճիշտ ախտորոշումներին. հետևողականորեն ճիշտ արդյունքների դեպքում նվազագույն միավորի միջին արժեքը կազմել է 85.6, իսկ սխալ կամ անհայտ արդյունքների դեպքում՝ 42.1։ Այս միավորները չէին ներկայացնում կալիբրացված հավանականություններ, և հետազոտական թիմը դրանք չէր օգտագործում որպես ապացույցների կամ կլինիկական փորձագիտական գնահատման փոխարինող։ Այնուամենայնիվ, դրանք օգտակար էին՝ օգնելով փորձագետներին ուշադրությունը կենտրոնացնել ամենահեռանկարային ախտորոշման թեկնածուների վրա։ 

Այնուհետև թիմը կիրառեց աշխատանքային գործընթացը նախկինում չլուծված դեպքերի չորս խմբերի նկատմամբ՝ նյարդային զարգացման խանգարումներ ունեցող երեխաներ, հազվագյուտ նյարդամկանային հիվանդություններ ունեցող անձինք, վաղ հոգեբուժությամբ երեխաներ և դեռահասներ, ինչպես նաև մանկական հանկարծակի անսպասելի մահվան դեպքեր։ Սրանք առաջին անգամ գնահատման ներկայացված նոր դեպքեր չէին։ Դրանցից շատերն արդեն վերլուծվել էին մի քանի առևտրային կամ հաստատությունների կողմից մշակված վերլուծական գործընթացներով և քննարկվել բազմամասնագիտական թիմերի կողմից։

Այն բանից հետո, երբ մոդելը ներկայացրեց հավանական թեկնածուները, իսկ մասնագետներն ավարտեցին դրանց գնահատումն ու կլինիկական հաստատումը, բժիշկները ախտորոշում հաստատեցին դեպքերի 4.8%-ում։ Թեև այս ցուցանիշը համեստ է, այն նշանակալի է այս պոպուլյացիայի համար, քանի որ դեպքերը նախկինում արդեն անցել էին մասնագետների կողմից իրականացված գնահատումներ, սակայն չէին ստացել վերջնական լուծում։ Նմանատիպ վերավերլուծության ուսումնասիրությունները նույնպես հաղորդում են միանիշ տոկոսային աճ մանրակրկիտ ուսումնասիրված դեպքերում, մինչդեռ ավելի բարձր ախտորոշման ցուցանիշներ սովորաբար գրանցվում են այն հետազոտություններում, որոնք ներառում են նոր դեպքեր կամ լավ հայտնի հիվանդություններ, որոնք պարզապես սպասում են գենետիկական հաստատման։

18 ախտորոշումներից 7-ը կրկին բացահայտված ախտորոշումներ էին․ ախտորոշումներ, որոնք արդեն հաստատվել էին տեղական հետազոտական աշխատանքային գործընթացից դուրս, սակայն բացակայում էին այն գրառումներից, որոնք ուսումնասիրել էր թիմը։ Մի շարք դեպքերում տարբերակներն արդեն իսկ հանրային տվյալների բազաներում դասակարգված էին որպես ախտածին կամ հավանաբար ախտածին, ինչը ցույց է տալիս տվյալների տարբեր աղբյուրներից տեղեկատվությունը համադրելու գործնական դժվարությունը։

Վաղ փսիխոզի մեկ դեպքի ժամանակ մոդելը հայտնաբերեց գենոմում կառուցվածքային փոփոխություն, որը նշված չէր մուտքային տվյալներում։ Այն քրոմոսոմ 22-ում արձանագրված ցածր որակի մի շարք կանչերը կապեց երեխայի սրտային, իմունային, նյարդազարգացման և հոգեբուժական առանձնահատկությունների հետ, այնուհետև առաջ քաշեց 22q11.2 դելեցիայի վարկածը, որը կապված է ԴիՋորջի համախտանիշի հետ։ Հետագա գենոմի սեքվենավորմամբ այս ենթադրյալ տարբերակը հաստատվեց։

Թեև հարցումը պահանջում էր մեկ մոնոգեն պատճառ, մոդելը երբեմն բացահայտում էր երկու գեն, որոնք ավելի լավ էին բացատրում բարդ կլինիկական պատկերը։ LAMA2-ի և FOXP1-ի տարբերակները միասին օգնեցին բացատրել մեկ դեպքի մկանային և նյարդազարգացման հատկանիշները, իսկ մեկ այլ դեպքում հայտնաբերվեց նախկինում չճանաչված դիգենային բացատրություն՝ TTN-ի և SRPK3-ի մասնակցությամբ։

Ախտորոշումներից բացի, մոդելը նաև հայտնաբերել է վիտիլիգո կոչվող վիճակի հնարավոր նոր մեխանիստական բացատրություն։ Նեյրոզարգացման մեկ դեպքում մոդելը առանձնացրել է S1PR1-ում 11-ամինաթթվային դելեցիա։ S1PR1-ը կոդավորում է բջջաթաղանթային ընկալիչ, որը ներգրավված է ազդանշանային փոխանցման, իմունային բջիջների շարժման և հյուսվածքային կենսաբանության գործընթացներում։ Մոդելը համադրել է ապացույցներ, որոնք հուշում են, որ այդ դելեցիան կարող է փոխել ընկալիչի կառուցվածքը և ազդանշանային փոխանցումը՝ այնպիսի ձևերով, որոնք նվազեցնում են պիգմենտի արտադրությունը, միաժամանակ նպաստելով, որ իմունային բջիջները պահպանվեն մաշկում։

Առաջարկված S1PR1-վիտիլիգո կապը պահանջում է լրացուցիչ փորձարարական վավերացում, սակայն այն ցույց է տալիս ԱԲ-ի հզոր դերը՝ կառուցվածքային կենսաբանությունից, իմունոլոգիայից և կլինիկական գենետիկայից ստացված ցրված տվյալները վերածելու կոնկրետ, փորձարկելի հիպոթեզների։

Թիմը նաև նկատել է հնարավոր ֆենոտիպային ընդլայնում նյարդամկանային հետազոտման խմբում։ HSPB8- և CDK13 գեներում առկա վնասակար տարբերակները լիովին չէին համապատասխանում այդ գեների առավել հայտնի խանգարումներին, ինչը հուշում է ավելի լայն կլինիկական սպեկտրի մասին, որը պետք է հաստատվի ավելի շատ դեպքերի ուսումնասիրությամբ և լաբորատոր աշխատանքով։

Այս ուսումնասիրությունը ցույց է տալիս, որ ընդհանուր նշանակության հիմնավորման մոդելը կարող է նպաստել հետահայաց գենոմային վերավերլուծությանը՝ ֆենոտիպը, ժառանգումը, տարբերակների անոտացիաները, տվյալների որակի օրինաչափությունները և գիտական գրականությունը համադրելով վերանայելի վարկածների մեջ։ Այն նաև ցույց է տալիս, թե ինչու է պարբերական վերավերլուծությունը կարևոր. որոշ պատասխաններ ի հայտ են գալիս միայն գիտելիքի առաջընթացից կամ մասնատված գրառումները միավորելուց հետո։

Այս հետազոտությունը ապացույց չի հանդիսանում, որ հիվանդները, բժիշկ-մասնագետները կամ հաճախորդները պետք է օգտագործեն OpenAI-ի մոդելները հիվանդություններ ախտորոշելու կամ բժշկական որոշումներ կայացնելու համար։ Այն չի նկարագրում և չի խրախուսում OpenAI-ի որևէ արտադրանքի՝ ներառյալ OpenAI o3 Խորքային ուսումնասիրության, ChatGPT‑ի կամ այլ մոդելների օգտագործումը ախտորոշման նպատակով։ Մոդելը չի կատարել որևէ մասնակցի ախտորոշում․ բոլոր ախտորոշումները իրականացվել են բժիշկների և այլ որակավորված կլինիկական մասնագետների կողմից՝ հաստատված վերանայման, հետազոտությունների և կլինիկական հաստատման գործընթացների միջոցով։

Ուսումնասիրությունը հետահայաց էր, ուսումնասիրվող խմբերը՝ տարասեռ, իսկ գնահատողները տեղյակ էին մոդելի վստահության մակարդակից։ Հետազոտողները չեն չափել ժամանակի խնայողությունը, ծախսերը, կլինիկական աշխատանքի ծանրաբեռնվածությունը, կեղծ-դրական արդյունքների առաջացրած լրացուցիչ աշխատանքը կամ բուժման փոփոխությունները։ Բացի այդ, նրանք համակարգված կերպով չեն գնահատել գենետիկական տարբերակների այլ ձևեր՝ ինչպիսիք են կառուցվածքային տարբերակները, կրկնվող ընդարձակումները, խոր ինտրոնային փոփոխությունները կամ մոզաիցիզմը։

Մեծ լեզվական մոդելները կարող են սխալ մեկնաբանել համատեքստը կամ արտադրել հավանական թվացող բացատրություններ, որոնք ավելի մանրամասն ուսումնասիրության դեպքում չեն հաստատվում։ Այդ պատճառով յուրաքանչյուր արդյունք ենթարկվել է մարդու կողմից գնահատման և կլինիկական հաստատման։ Մոդելը ընդլայնել է որոնումը և ուղղորդել է հետագա՝ մարդու կողմից իրականացվող վերլուծությունը, սակայն այն չի որոշել, թե ինչ տեղեկատվություն կամ ախտորոշում պետք է տրամադրվի ընտանիքին։

Այս ուսումնասիրությունն օգտագործել է ապանձնավորված տվյալներ, և որևէ գաղտնի առողջական տվյալ չի օգտագործվել կամ փոխանցվել հաստատված միջավայրերից դուրս։ Ավելի լայն կլինիկական կիրառումը կպահանջի նույն մակարդակի ուշադրություն գաղտնիության, անվտանգության, մշտադիտարկելիության և տեղական կարգավորումների նկատմամբ, որոնք կիրառվում են բոլոր բժշկական ծառայությունների դեպքում։ Մոդելի հասանելիությունը չի փոխարինում սեկվենավորման ենթակառուցվածքներին, գենետիկ խորհրդատվությանը, հաստատող թեստավորմանը կամ մասնագետների դատողությանը։

Ապագային միտված, բազմակենտրոն հետազոտությունները պետք է համեմատեն LLM-ով աջակցվող վերավերլուծությունը ստանդարտ գործելակերպի հետ՝ գնահատելով ախտորոշման արդյունքայնությունը, հավանական թեկնածուի հայտնաբերման համար պահանջվող ժամանակը, բժիշկների գործադրած ջանքերը, կեղծ դրական արդյունքների բեռը, ծախսերը և բուժօգնության վրա ազդեցությունը։ Տարբերակավորված հարցումները, հղումների ստուգումը, աուդիտի մատյանները և չափարկված անորոշությունը կարևոր կլինեն վերարտադրելիությունն ու անվտանգությունն ապահովելու համար։ Նման հետազոտություններում որակավորված բժիշկները պետք է գնահատեն ապացույցները, նշանակեն համապատասխան հետազոտություններ և կայացնեն ախտորոշման ու բուժման վերաբերյալ որոշումները։

Այս ուսումնասիրությունում օգտագործվել է OpenAI o3 խորքահին ուսումնասիրությունը։ Ավելի նոր ընդհանուր նշանակության մոդելները կարող են որոնել և համադրել ավելի շատ գիտական նյութ, իսկ հատուկ ստեղծված համակարգերը, օրինակ՝ GPT‑Rosalind‑ը, նախագծված են կենսագիտությունների ավելի խոր աշխատանքի համար, ներառյալ տարբերակների ազդեցությունը սպիտակուցի կառուցվածքի և գործառույթի վրա։ Այս հնարավորությունները տվյալ հետազոտության շրջանակում չեն գնահատվել և կպահանջեն առանձին գնահատումներ ու հասանելիության վերահսկման մեխանիզմներ։

Թեև OpenAI-ը աջակցեց այս նախնական հետազոտական ուսումնասիրությանը, աշխատանքի հաջորդ փուլը կղեկավարի Manton Center-ը՝ OpenAI Foundation-ի դրամաշնորհի միջոցով։ Դրամաշնորհը կաջակցի Կենտրոնի ավելի լայն նախաձեռնությանը՝ ստեղծելու հարթակից անկախ, ցածրարժեք գենետիկական ԱԲ համաղեկավար, որը կօգնի կլինիկական թիմերին ավելի արագ և հետևողականորեն վերլուծել հազվագյուտ հիվանդությունների դեպքերը։

Երկարաժամկետ հետազոտական հնարավորությունը պարզելն է, թե արդյոք փորձագետների առաջնորդած AI-ով օժանդակվող վերավերլուծությունը կարող է օգնել գիտական ըմբռնմանը համաքայլ մնալ հայտնագործություններին։ Խոստումն այն չէ, որ ԱԲ-ն կփոխարինի բժշկի ախտորոշմանը, այլ այն, որ ուշադիր գնահատված հետազոտական գործիքները կարող են օգնել մասնագետներին գտնել քննության արժանի ապացույցներ։ Հազարավոր ընտանիքների համար այսօրվա անպատասխան հարցերը հավերժ անպատասխան չեն կարող մնալ։