Gli scienziati stanno ricercando un algoritmo sviluppato per raggruppare le coppie donatore-ricevente di rene in gruppi a basso rischio e ad alto rischio per la sopravvivenza dell’innesto.
Modello fisico 3D di un rene in mano – foto illustrativa. Credito immagine: Robina Weermeijer
Gli Stati Uniti hanno registrato un record di 25.487 trapianti di rene nel 2021, secondo il ultima relazione annuale sui dati dalla rete di approvvigionamento e trapianto di organi e dal registro scientifico dei destinatari di trapianti.
Cinque anni dopo il trapianto, la funzionalità d’organo di successo, chiamata sopravvivenza del trapianto, dei reni da donatori deceduti era dell’81% tra i pazienti di età compresa tra 18 e 34 anni e del 68% tra le persone di età superiore ai 65 anni.
Malek Kamoun del Perelman Scuola di Medicina E Ryan Urbanowicz Di Centro medico Cedars-Sinai stanno sviluppando strategie di apprendimento automatico per migliorare la corrispondenza dei reni e ridurre il rischio di fallimento del trapianto, con l’aiuto degli studenti della Penn.
Tre studenti universitari hanno lavorato a distanza quest’estate al progetto: Sphia Sadek, Antonios Kriezis e Aryan Roy. Sadek e Roy hanno completato il lavoro attraverso il Programma di mentoring per la ricerca universitaria Penn.
Ogni studente PURM riceve un premio di $ 5.000 per il programma di 10 settimane, supportato dal Centro per la ricerca universitaria e le borse di studio.
Chirurgia – foto illustrativa. Credito immagine: Doctorqmd via Wikimedia (CC BY SA 3.0)
Sadek, una studentessa del terzo anno in informatica e scienze cognitive, afferma di essere sempre stata interessata a una carriera nell’intelligenza artificiale, ma non ha mai fatto nulla con l’apprendimento automatico. Ha sentito parlare di PURM durante gli eventi di orientamento per gli studenti trasferiti.
“Per il mio progetto, sto lavorando sulla soglia per quanti disallineamenti di aminoacidi sarebbero considerati a basso o ad alto rischio, per ogni contenitore”, afferma Sadek, che è di Jersey City, nel New Jersey. “Un bin è fondamentalmente un elenco di queste posizioni di amminoacidi e usiamo quel bin per stratificare i due gruppi”.
Kamoun e Urbanowicz hanno contribuito a sviluppare un algoritmo chiamato FIBERS (Feature Inclusion Bin Evolver for Risk Stratification), che ha assunto una soglia pari a zero, il che significa che i bin, un gruppo di posizioni di amminoacidi, con almeno una discrepanza sono considerati ad alto rischio.
Sadek sta esplorando la possibilità che la soglia possa essere più alta, un esercizio vantaggioso perché potrebbe portare a una migliore stratificazione del rischio per razza ed etnia, ad esempio, a causa di significative variazioni di amminoacidi tra i vari gruppi etnici.
Lo sta facendo utilizzando i linguaggi di programmazione Python e i dati dello Scientific Registry of Transplant Recipients (SRTR), e Urbanowicz afferma che il suo metodo “sembra funzionare molto bene finora”.
Insieme ai test, alla codifica e alla programmazione, è andata alle riunioni per conoscere il sistema dell’antigene leucocitario umano (HLA) e la biologia dell’HLA alla base del rigetto dell’allotrapianto di rene nei riceventi di trapianto.
Dice che l’esperienza PURM ha contribuito a consolidare il suo interesse per l’apprendimento automatico e l’intelligenza artificiale e l’ha aiutata ad acquisire esperienza di ricerca “guardando diversi articoli, pensando a nuove idee per aiutare a testare ed eseguire il debug, pensando a nuove idee che possono aiutare a migliorare un progetto originale esistente. ” E ha aiutato con le capacità di comunicazione e networking, dice.
Abbinamento di donatori di trapianto di rene: un algoritmo evolutivo
Kamoun è stato ispirato a fare il suo attuale lavoro dal suo ex mentore Jean Dausset, il defunto vincitore del Premio Nobel che negli anni ’60 scoprì il sistema HLA, un complesso di geni che codificano le proteine responsabili della regolazione del sistema immunitario. Gli HLA controllano la risposta immunitaria del corpo ai trapianti e sono una delle principali cause di rigetto d’organo.
“Quando un paziente riceve un trapianto, di solito riceve un trapianto da qualcuno il cui HLA è molto diverso dal proprio”, afferma Kamoun.
“Ciò porta all’attivazione e all’espansione dei linfociti T perché queste cellule vedono il ricevente come portatore di materiale antigenico estraneo; di conseguenza, il rigetto del trapianto di rene potrebbe verificarsi nei riceventi di trapianto che non sono adeguatamente immunosoppressi”.
Il metodo tradizionale per analizzare le differenze HLA è a livello di antigene, mentre la definizione di differenze a livello molecolare richiede l’osservazione della variazione della sequenza degli amminoacidi.
Ma Kamoun afferma che c’è così tanta variazione tra le popolazioni a livello di aminoacidi che è difficile usare i metodi statistici tradizionali per comprendere la variazione genetica nella sopravvivenza del trapianto di rene.
Quindi si è rivolto a Urbanowicz, un esperto di strumenti di apprendimento automatico che aiuta i gruppi a studiare vari problemi biomedici. Dopo uno o due anni di discussioni, hanno presentato una sovvenzione del National Institutes of Health e hanno ricevuto finanziamenti l’anno scorso.
Kamoun e Urbanowicz sono coautori di un articolo che valuta le prestazioni dell’algoritmo FIBERS, pubblicato questa primavera nel Giornale di informatica biomedica.
FIBRE è un algoritmo evolutivo – e un approccio senza ipotesi – che scopre automaticamente “contenitori” di discrepanze a livello di aminoacidi, in base alla loro capacità di classificare le coppie donatore-ricevente in gruppi a basso rischio e ad alto rischio per la sopravvivenza dell’innesto.
Urbanowicz afferma che FIBERS ha scoperto quali posizioni di disallineamento degli amminoacidi sono più importanti da considerare quando si determina il rischio di fallimento del trapianto, e questo potrebbe funzionare in una politica di allocazione dei reni a valle, o almeno aiutare a determinare quali destinatari del trapianto potrebbero essere a più alto rischio di trapianto fallimento.
Utilizzando i dati SRTR, i ricercatori hanno applicato le FIBRE a 166.574 trapianti di rene da donatore deceduto avvenuti tra il 2000 e il 2017.
Hanno scoperto che rispetto ai metodi tradizionali, FIBERS ha classificato più del doppio dei pazienti a basso rischio, indicando che i metodi tradizionali nascondono una rilevante variabilità degli aminoacidi che può influire sul rischio di fallimento del trapianto.
Regolazione per le variabili
Gli studenti emergenti del secondo anno Kriezis e Roy stanno esplorando una strada del progetto diversa da quella di Sadek: adeguarsi alle covariate, ovvero variabili come età, sesso e razza, utilizzando due approcci diversi.
Kriezis, laureato in scienze dei sistemi e ingegneria, era interessato al progetto perché voleva fare qualcosa con la programmazione e l’apprendimento automatico. È stato incaricato di testare il modello Akaike Information Criteria (AIC), una statistica che penalizza i modelli che funzionano bene utilizzando un numero maggiore di covariate.
“Prima di entrare a far parte di questo progetto, non sapevo davvero cosa fosse l’apprendimento automatico”, afferma Kriezis, che è di Atene. “Sono stato praticamente in grado di imparare cos’è, come funziona e quanto può essere utile. Il team è stato molto utile. Ad ogni passo, è stato molto facile parlare con loro ed erano disposti a spiegare qualsiasi domanda tu avessi.
Mentre Kriezis passava il suo tempo a eseguire il debug del codice e a ordinare le colonne del foglio di calcolo, dice che non stava pensando molto al trapianto di rene. Ma dice che Kamoun, direttore dell’immunologia clinica e del laboratorio di immunogenetica HLA presso l’ospedale dell’Università della Pennsylvania, ha parlato agli studenti della più ampia applicazione del loro lavoro.
Urbanowicz afferma che l’approccio su cui ha lavorato Kriezis è costoso perché richiede circa 16 ore per essere eseguito, “ma è un modo più consolidato e riconosciuto nelle statistiche per adattarsi alle covariate”, mentre “c’è molta più incertezza” con il metodo utilizzato da Roy.
Urbanowicz afferma che Roy ha lavorato su un approccio, proposto per la prima volta dallo statistico Keith McCullough, un altro coautore del Giornale di informatica biomedica carta, che comporta l’adeguamento per i residui nei bidoni delle FIBRE.
Dopo aver eseguito i risultati preliminari sull’approccio FIBERS originale e su entrambi gli approcci covariati, Urbanowicz afferma che gli approcci covariati si comportano leggermente meglio dell’originale “e che l’approccio residuo che abbiamo implementato sembra molto promettente e funziona altrettanto bene dell’AIC”, ma più velocemente.
Da un’altra testata giornalistica. news de www.technology.org
