ხელოვნური ინტელექტის გამოყენება ბავშვებში იშვიათი გენეტიკური დაავადებების დიაგნოსტიკაში

გენომური სეკვენირების პირობებშიც კი იშვიათი დაავადებების მქონე ბევრი ადამიანი მკაფიო გენეტიკურ დიაგნოზს ვერ იღებს. დაახლოებით ნახევარი ფართო ტესტირებისა და სპეციალისტების შეფასების შემდეგაც დიაგნოზის გარეშე რჩება. მათი სამედიცინო მონაცემები შეიძლება მინიშნებებს შეიცავდეს, მაგრამ მათი პოვნა ათასობით ან მილიონობით შესაძლო გენეტიკურ ვარიანტში, ფრაგმენტულ კლინიკურ ჩანაწერებში და სწრაფად ცვალებად სამეცნიერო ლიტერატურაში ძიებას მოითხოვს.

გენებსა და დაავადებებს შორის კავშირების, შემთხვევების აღწერებისა და კლასიფიკაციის მტკიცებულებების დაგროვებასთან ერთად, გადაუჭრელი შემთხვევები შეიძლება ახლად ინტერპრეტირებადი გახდეს.

ბოსტონის ბავშვთა საავადმყოფოს მანტონის სახელობის ორფანული დაავადებების კვლევითი ცენტრის, ჰარვარდის უნივერსიტეტისა და OpenAI-ს მკვლევრებმა გამოიყენეს OpenAI o3 სიღრმისეული კვლევის მსჯელობის მოდელი, რათა გაეანალიზებინათ დეიდენტიფიცირებული კლინიკური და გენომური ინფორმაცია ადრე გაანალიზებული, მაგრამ გადაუჭრელი 376 შემთხვევიდან. მოდელმა მკვლევრებსა და კლინიცისტებს მიმოხილვისთვის წარუდგინა მტკიცებულებებთან დაკავშირებული შესაძლო ახსნები. ექსპერტული განხილვის, დამატებითი ტესტირებისა და კლინიკური დადასტურების შემდეგ ექიმებმა 18 შემთხვევაში დაადგინეს დიაგნოზი — სპეციალისტების ადრინდელი ანალიზის შემდეგ დამატებითი დიაგნოსტიკური გამოსავალი 4,8% იყო. ეს კვლევა 2026 წლის 18 ივნისს გამოქვეყნდა NEJM AI-ში და გვიჩვენებს, როგორ შეიძლება ხელოვნური ინტელექტით მხარდაჭერილი კვლევითი სამუშაო პროცესი დაეხმაროს ექსპერტებს მინიშნებების გენერირებაში ზოგიერთი ყველაზე რთული შემთხვევის ხელახლა განხილვისას.

ამ შემთხვევებიდან ბევრს ექსპერტული ანალიზი წლების განმავლობაშ არ შეხებია. ამ კვლევაში OpenAI o3 სიღრმისეული კვლევა მკვლევრებს დაეხმარა ისეთი ჰიპოთეზების იდენტიფიცირებაში, რომლებიც შემდეგ დადგენილი კლინიკური პროცესებით შეფასდა; ეს მიუთითებს, რომ ცოდნის განვითარებასთან ერთად ექსპერტების მიერ წარმართული პერიოდული ხელახალი ანალიზი შეიძლება უფრო მასშტაბირებადი გახდეს. მოდელს არცერთი პაციენტისთვის დიაგნოზი არ დაუსვამს და არც კლინიკური გადაწყვეტილება მიუღია. მან სპეციალისტებისთვის გადასახედად შექმნა მტკიცებულებებთან დაკავშირებული ჰიპოთეზები, რათა საჭიროების შემთხვევაში ისინი დამატებითი ტესტირებით გამოეკვლიათ და კლინიკურ ლაბორატორიაში დაედასტურებინათ.

არადამაჯერებელი გენეტიკური ტესტი ყოველთვის საბოლოო დასკვნა არ არის. პაციენტის ფენოტიპის აღწერები, ტესტის შედეგები და ოჯახური ისტორია შეიძლება სხვადასხვა იდენტიფიკატორის, ფორმატისა და ლექსიკონის მქონე მონაცემთა ბაზებში იყოს გაბნეული. ამ ჩანაწერების დაკავშირება რთულია, ამიტომ დიაგნოზი სპეციალისტებსაც კი შეიძლება გამორჩეთ. ექსპერტებმა შეიძლება ბავშვის გენომი მანამდე დაასეკვენირონ, სანამ შესაბამისი გენი ან მისი ვარიანტები დაავადებასთან იქნება დაკავშირებული. სამეცნიერო ცოდნის დაგროვებასთან ერთად იმავე მონაცემებმა შეიძლება ისეთი პასუხები გამოავლინოს, რომელთა აღმოჩენაც ადრე შეუძლებელი იყო.

იშვიათი დაავადებების ხელახალი ანალიზი სამეცნიერო და ტექნიკური პრობლემაა ერთდროულად. პაციენტის გენომი შეიძლება იგივე დარჩეს, მაგრამ მის გარშემო არსებული მტკიცებულებები მუდმივად იცვლება: მკვლევრები ახალ გენებსა და ვარიანტებს დაავადებებს უკავშირებენ, ლაბორატორიები ძველ ვარიანტებს ხელახლა აკლასიფიცირებენ, ხოლო შემთხვევების ბაზებსა და სტატიებში ახალი დაკვირვებები გროვდება. თითოეულმა განახლებამ შეიძლება ძველი, არადამაჯერებელი შემთხვევა ხელახალი განხილვის ღირსად აქციოს, ამიტომ ბევრ დაწესებულებას უგროვდება გენომების მზარდი რაოდენობა, რომელიც ცვალებად ცოდნის ბაზასთან უნდა იყოს სინქრონიზებული.

ამ კვლევაში მკვლევრებმა სამუშაო პროცესი ისე შექმნეს, რომ მოდელი ახსნაზე ორიენტირებული მსჯელობის შრედ მოქმედებდა არსებულ გენომურ კონვეიერებთან ერთად. მხოლოდ რანჟირებული გენების სიის დაბრუნების ნაცვლად, მას სთხოვეს კლინიკური ნიშნები, მემკვიდრეობის მოდელი, ვარიანტის მტკიცებულებები და სამეცნიერო ლიტერატურა გაეერთიანებია ისეთ დასაბუთებაში, რომლის შემოწმებასაც ადამიანი შემფასებელი შეძლებდა. 

თითოეული შემთხვევისთვის გუნდმა შეადგინა დეიდენტიფიცირებული პაკეტი, რომელიც მოიცავდა ადამიანის ფენოტიპების ონტოლოგიის სტანდარტიზებულ ტერმინებს პაციენტის კლინიკური სურათის აღსაწერად, ცალკეულ კლინიცისტის ჩანაწერებს და აღწერით კლინიკურ დიაგნოზებს, მეტამონაცემებს, როგორიცაა ასაკი და სქესი, და გაფილტრულ ვარიანტთა ცხრილს. ცხრილში ასახული იყო თითოეული ვარიანტის იშვიათობა, მისი ნავარაუდევი გავლენა კოდირებულ ცილაზე, ClinVar-ის კლასიფიკაცია და სიგნალის ხარისხი ოჯახის ხელმისაწვდომ წევრებში. შემთხვევების უმეტესობა მოიცავდა მონაცემებს ბავშვისა და ორივე ბიოლოგიური მშობლისგან.

გუნდმა მოდელს სთხოვა, შეეთავაზებინა ყველაზე სარწმუნო მოლეკულური ახსნა და ეჩვენებინა თავისი მსჯელობა. შემდეგ მკვლევრებმა შედეგები იმავე ACMG/AMP ჩარჩოთი განიხილეს, რომელსაც კლინიკური ლაბორატორიები გენეტიკური ვარიანტების კლასიფიკაციისთვის იყენებენ. თითოეულ კანდიდატს გუნდის მინიმუმ ორი წევრი განიხილავდა, უთანხმოებები კონსენსუსით წყდებოდა, ხოლო მოდელის შედეგი დიაგნოზად არასოდეს მიიჩნეოდა. მიგნება დიაგნოზად მხოლოდ მას შემდეგ ითვლებოდა, რაც კვალიფიციური ექსპერტები მტკიცებულებებს განიხილავდნენ, ვარიანტი პათოგენურად ან სავარაუდოდ პათოგენურად კლასიფიცირდებოდა, CLIA-ს სერტიფიკატის მქონე ლაბორატორია მას დაადასტურებდა და კლინიკური გუნდი შედეგს ოჯახს დაუბრუნებდა.

გადაუჭრელი შემთხვევების ანალიზამდე გუნდმა სამუშაო პროცესი დადგენილი დიაგნოზის მქონე შემთხვევებზე დახვეწა. იშვიათი დაავადებების მრავალფეროვანი შემთხვევებიდან 51-იდან 48 შემთხვევაში მან განმეორებით გაშვებებში სწორი გენი და ვარიანტი აღადგინა. 57 ნეირომუსკულური შემთხვევის ნაკრებში სამუშაო პროცესმა განმეორებით გაშვებებში 45 შემთხვევაში სწორი დიაგნოზი დააბრუნა. 15 შემთხვევისგან შემდგარ გრძელი წაკითხვების მქონე გენომურ ნაკრებში მან ყველა შემთხვევაში სწორი გენი დაასახელა, ხოლო 12 შემთხვევაში — დაავადების გამომწვევი ორივე ალელი. ამ შეფასებებმა პრომპტის გაუმჯობესებას შეუწყო ხელი და გვიჩვენა, რომელ ეტაპზე იყო ექსპერტების ჩარევა მნიშვნელოვანი.

ამ ადრე გადაჭრილ შემთხვევებში მოდელის მიერ გადმოცემული სანდოობის ქულები სწორ დიაგნოზებს შეესაბამებოდა: საშუალო მინიმალური ქულა მუდმივად სწორი სიგნალებისთვის 85,6 იყო, ხოლო არასწორი ან უცნობი სიგნალებისთვის — 42,1. ქულები არ იყო კალიბრირებული ალბათობები და გუნდს ისინი მტკიცებულების ან კლინიკური განსჯის შემცვლელად არ გამოუყენებია. თუმცა ისინი ექსპერტებს დაეხმარა, ყურადღება გაემახვილებინათ ყველაზე პერსპექტიულ პოტენციურ დიაგნოზებზე. 

ამის შემდეგ გუნდმა სამუშაო პროცესი გამოიყენა ადრე გადაუჭრელი შემთხვევების ოთხ ჯგუფზე. ეს ჯგუფებია: ნეიროგანვითარების დარღვევების მქონე ბავშვები, იშვიათი ნეირომუსკულური დაავადების მქონე ადამიანები, ადრეული ფსიქოზის მქონე ბავშვები და მოზარდები, და ბავშვთა ასაკში უეცარი მოულოდნელი სიკვდილის შემთხვევები. ეს არ იყო ახალი შემთხვევები, რომლებიც პირველ განხილვას ელოდა. ბევრი მათგანი უკვე შემოწმებული იყო რამდენიმე კომერციული თუ ინსტიტუციური პროცესით და განიხილებოდა მულტიდისციპლინური გუნდების მიერ.

მას შემდეგ, რაც მოდელმა კანდიდატები წარმოაჩინა და ექსპერტებმა განხილვა და კლინიკური დადასტურება დაასრულეს, ექიმებმა შემთხვევების 4,8%-ში დაადგინეს დიაგნოზი. ეს მაჩვენებელი მოკრძალებულია, მაგრამ ამ პოპულაციაში მნიშვნელოვანი, რადგან წინა ექსპერტულმა შემოწმებებმა ეს შემთხვევები ვერ გადაჭრა. ხელახალი ანალიზის მსგავსი კვლევები გულდასმით განხილულ შემთხვევებში ერთნიშნა ზრდას აღწერს; უფრო მაღალი გამოსავალი, როგორც წესი, მოდის კვლევებიდან, რომლებიც შეიცავს ახალ შემთხვევებს ან კარგად ცნობილ დარღვევებს, რომლებიც გენეტიკური დადასტურების მოლოდინშია.

18 დიაგნოზიდან 7 ხელახალი აღმოჩენა იყო: დიაგნოზები, რომლებიც ადგილობრივი კვლევითი სამუშაო პროცესის გარეთ დადგინდა, მაგრამ გუნდის მიერ განხილულ ჩანაწერში არ ჩანდა. რამდენიმე შემთხვევაში ვარიანტები საჯარო მონაცემთა ბაზებში უკვე მითითებული იყო როგორც პათოგენური ან სავარაუდოდ პათოგენური, რაც მონაცემთა წყაროებში ინფორმაციის სინთეზის ოპერაციულ სირთულეს უსვამს ხაზს.

ადრეული ფსიქოზის ერთ შემთხვევაში მოდელმა გენომში გამოავლინა სტრუქტურული მოვლენა, რომელიც შეტანილ მონაცემებში მითითებული არ იყო. მან 22-ე ქრომოსომაზე დაბალი ხარისხის სიგნალების სერია ბავშვის კარდიალურ, იმუნურ, ნეიროგანვითარებით და ფსიქიატრიულ ნიშნებს დაუკავშირა, შემდეგ კი ივარაუდა 22q11.2 დელეცია, რომელიც DiGeorge-ის სინდრომთანაა ასოცირებული. ეს ნავარაუდევი ვარიანტი შემდგომი გენომური სეკვენირებით დადასტურდა.

მიუხედავად იმისა, რომ პრომპტი ერთ მონოგენურ მიზეზს ითხოვდა, მოდელი ზოგჯერ ავლენდა ორ გენს, რომლებიც რთულ კლინიკურ სურათს უკეთ ხსნიდა. ერთ შემთხვევაში LAMA2-ისა და FOXP1-ის ვარიანტებმა ერთად ხელი შეუწყო კუნთოვანი და ნეიროგანვითარებითი ნიშნების ახსნას; სხვა შემთხვევაში კი ადრე შეუმჩნეველი დიგენური ახსნა გამოვლინდა, რომელიც TTN-სა და SRPK3-ს მოიცავდა.

დიაგნოზების გარდა, მოდელმა ასევე შემოგვთავაზა ვიტილიგოს სახელით ცნობილი მდგომარეობის განვითარების მოლეკულური მექანიზმის ახალი შესაძლო ახსნა. ნეიროგანვითარების დარღვევასთან დაკავშირებულ ერთ შემთხვევაში მოდელმა ვიტილიგოს მქონე ადამიანში S1PR1-ში 11 ამინომჟავის დელეცია გამოავლინა. S1PR1 ახდენს უჯრედის ზედაპირის იმ რეცეპტორის კოდირებას, რომელიც სიგნალების გადაცემაში, იმუნური უჯრედების მოძრაობასა და ქსოვილების ბიოლოგიაში მონაწილეობს. მოდელმა გააერთიანა მტკიცებულებები, რომლებიც მიუთითებდა, რომ დელეციას შეიძლება რეცეპტორის სტრუქტურა და სიგნალიზაცია ისე შეეცვალა, რომ პიგმენტის წარმოება შემცირებულიყო და იმუნურ უჯრედებს კანში შენარჩუნებაში დახმარებოდა.

S1PR1-ვიტილიგოს შემოთავაზებული კავშირი დამატებით ექსპერიმენტულ შემოწმებას საჭიროებს, მაგრამ ის აჩვენებს ხელოვნური ინტელექტის ძლიერ როლს სტრუქტურული ბიოლოგიის, იმუნოლოგიისა და კლინიკური გენეტიკის გაფანტული მიგნებების გაერთიანებაში და მათ გარდაქმნაში კონკრეტულ, შემოწმებად ჰიპოთეზებად.

გუნდმა ნეირომუსკულურ კოჰორტაში შესაძლო ფენოტიპური გაფართოებაც დაინახა. HSPB8-ისა და CDK13-ის დამაზიანებელი ვარიანტები სრულად არ ემთხვეოდა ამ გენების ყველაზე ცნობილ დარღვევებს, რაც უფრო ფართო კლინიკურ სპექტრზე მიუთითებს; ამის შესამოწმებლად მეტი შემთხვევა და ლაბორატორიული სამუშაო იქნება საჭირო.

ეს კვლევა აჩვენებს, რომ ზოგადი დანიშნულების მსჯელობის მოდელს შეუძლია, წვლილი შეიტანოს რეტროსპექტიულ გენომურ ხელახალ ანალიზში და შემოწმებად ჰიპოთეზებში გააერთიანოს ფენოტიპი, მემკვიდრეობა, ვარიანტების ანოტაციები, მონაცემთა ხარისხის კანონზომიერებები და სამეცნიერო ლიტერატურა. ის ასევე აჩვენებს, რატომ არის მნიშვნელოვანი პერიოდული ხელახალი ანალიზი: ზოგი პასუხი მხოლოდ ცოდნის გაფართოების ან ფრაგმენტული ჩანაწერების გაერთიანების შემდეგ ჩნდება.

ეს კვლევა არ არის მტკიცებულება, რომ პაციენტებმა, კლინიცისტებმა ან მომხმარებლებმა OpenAI-ს მოდელები დაავადების დიაგნოსტიკისთვის ან სამედიცინო გადაწყვეტილებების მიღებისთვის უნდა გამოიყენონ. ის არ აღწერს და არ უჭერს მხარს სიღრმისეული კვლევისთვის განკუთვნილი OpenAI o3 მოდელის, ChatGPT‑ს ან OpenAI-ს რომელიმე სხვა პროდუქტის გამოყენებას სამომხმარებლო მიზნით დიაგნოსტირებითვის. მოდელს არცერთი მონაწილისთვის დიაგნოზი არ დაუსვამს; ყველა დიაგნოზი ექიმებმა და სხვა კვალიფიციურმა კლინიკურმა ექსპერტებმა დასვეს შემოწმების, ტესტირებისა და კლინიკური დადასტურების დადგენილი პროცესების მეშვეობით.

კვლევა რეტროსპექტიული იყო, კოჰორტები — ჰეტეროგენული, ხოლო შეფასებები ჩატარდა მოდელის თავდაჯერებულობის მიმართ შემფასებლების დაბრმავების გარეშე. მკვლევრებს არ გაუზომავთ დაზოგილი დრო, ღირებულება, კლინიცისტის ძალისხმევა, ცრუ დადებითი შედეგების სამუშაო ტვირთი ან ცვლილებები მკურნალობის მხრივ. მათ არც გენეტიკური ვარიაციის სხვა ისეთი ფორმები შეუფასებიათ სისტემურად, როგორიცაა სტრუქტურული ვარიანტები, განმეორებების ექსპანსიები, ღრმა ინტრონული ცვლილებები ან მოზაიციზმი.

დიდმა ენობრივმა მოდელებმა შეიძლება კონტექსტი არასწორად წაიკითხოს ან შექმნას დამაჯერებელი ახსნები, რომლებიც უფრო გულდასმითი შემოწმებისას კრიტიკას ვერ უძლებს. ამიტომ თითოეულმა შედეგმა ადამიანური განსჯისა და კლინიკური დადასტურების პროცესი გაიარა. მოდელმა ძიების არე გააფართოვა და ფოკუსში მოაქცია შემდგომი, ადამიანის მიერ წარმართული ანალიზი; მას არ გადაუწყვეტია, რა ინფორმაცია ან დიაგნოზი უნდა დაბრუნებოდა ოჯახს.

ამ კვლევაში გამოყენებული იყო დეიდენტიფიცირებული ინფორმაცია, ხოლო დაცული სამედიცინო ინფორმაცია არც გამოყენებულა და არც გადაცემულა დამტკიცებული გარემოების გარეთ. უფრო ფართო კლინიკური დანერგვა იმავე დონის ყურადღებას მოითხოვს კონფიდენციალურობის, უსაფრთხოების, აუდიტის ჩატარების შესაძლებლობისა და ადგილობრივი რეგულაციების მიმართ, რაც ყველა სამედიცინო მომსახურებაზე ვრცელდება. მოდელზე წვდომა არ ანაცვლებს სეკვენირების ინფრასტრუქტურას, გენეტიკურ კონსულტაციას, დამადასტურებელ ტესტირებასა თუ სპეციალისტის განსჯას.

მომავალმა მრავალცენტრიანმა კვლევებმა LLM-ით მხარდაჭერილი ხელახალი ანალიზი სტანდარტულ პრაქტიკას უნდა შეადაროს ისეთი კრიტერიუმების მიხედვით, როგორიცაა დიაგნოსტიკური ეფექტიანობა, შესაძლო დიაგნოზის ძიების დრო, კლინიცისტის ძალისხმევა, ცრუ დადებითი შედეგების ტვირთი, ღირებულება და გავლენა მკურნალობის პროცესზე. პრომპტების ვერსიების აღნუსხვა, მითითებების შემოწმებები, აუდიტის ჟურნალები და გაურკვევლობის კალიბრირებული მაჩვენებლები მნიშვნელოვანი იქნება რეპროდუცირებადობისა და უსაფრთხოებისთვის. ასეთ კვლევებს კვლავ დასჭირდებათ კვალიფიციური კლინიცისტები მტკიცებულებების შესაფასებლად, შესაბამისი ტესტების დასანიშნად და ნებისმიერი სახის დიაგნოსტიკური თუ სამკურნალო გადაწყვეტილების მისაღებად.

ამ კვლევაში გამოყენებული იყო OpenAI o3 მოდელი სიღრმისეული კვლევისთვის. ზოგადი დანიშნულების უფრო ახალ მოდელებს მეტი სამეცნიერო მასალის მოძიება და სინთეზირება შეუძლია, ხოლო სპეციალურად შექმნილი სისტემები, როგორიცაა GPT‑Rosalind‑ი, განკუთვნილია სიცოცხლის მეცნიერებებში უფრო ღრმა სამუშაოსთვის, მათ შორის, ცილის სტრუქტურასა და ფუნქციაზე ვარიანტების გავლენის შესასწავლად. ეს შესაძლებლობები აქ არ შემოწმებულა და მათ საკუთარი შეფასებები და წვდომის კონტროლი დასჭირდება.

მიუხედავად იმისა, რომ OpenAI-მ ამ საწყის კვლევას შეუწყო ხელი, სამუშაოს მომდევნო ეტაპს მანტონის ცენტრი გაუძღვება OpenAI Foundation ფონდის გრანტით. გრანტი მხარს დაუჭერს ცენტრის უფრო ფართო ძალისხმევას, შექმნას პლატფორმისგან დამოუკიდებელი, ხელმისაწვდომი ფასის მქონე, ხელოვნურ ინტელექტზე დაფუძნებული ასისტენტი გენეტიკის დარგში. ის კლინიკურ გუნდებს იშვიათი დაავადებების შემთხვევების უფრო სწრაფად და თანმიმდევრულად ანალიზში დაეხმარება.

გრძელვადიანი კვლევითი შესაძლებლობა გულისხმობს იმის შესწავლას, შეუძლია თუ არა ექსპერტების მიერ მართულ, ხელოვნური ინტელექტით მხარდაჭერილ ხელახალ ანალიზს, ხელი შეუწყოს იმას, რომ სამეცნიერო გაგება არ ჩამორჩეს აღმოჩენებს. დაპირება ის კი არ არის, რომ ხელოვნური ინტელექტი ექიმის დიაგნოზს ჩაანაცვლებს, არამედ ის, რომ გულდასმით შეფასებულმა კვლევითმა ხელსაწყოები შეიძლება სპეციალისტებს გამოსაკვლევად ღირებული მტკიცებულებების იდენტიფიცირებაში დაეხმაროს. ათასობით ოჯახისთვის დღევანდელი პასუხგაუცემელი შეკითხვები სამუდამოდ უპასუხოდ არ უნდა დარჩეს.