编译：高杰
当基因检测发现一种罕见的DNA突变时，医生和患者往往对它的实际意义不大清楚，可能需要临床医生猜测其影响。如今，美国西奈山伊坎医学院的科学家们开发出一套人工智能系统，能够预测罕见基因突变引发疾病的概率，清晰指明哪些变异会真正提高疾病风险。
该系统将机器学习与数百万份电子健康档案及胆固醇、肾功能等常规实验室检测数据相结合，生成“机器学习外显率”评分，将基因风险置于一个连续谱上，而非简单的“是/否”判断。一些曾被认为危险的变异在实际中影响甚微，而一些先前被标注为“不确定”的变异则显示出与疾病的强关联。相关研究结果于8月28日在《科学》杂志发表。
传统遗传学研究通常依赖简单的“是/否”诊断来对患者进行分类。但许多疾病，如高血压、糖尿病或癌症，往往无法用二元标准简单界定。西奈山的研究人员训练AI模型，将疾病量化在一个连续谱上，为现实生活中的疾病风险提供了更细致的解读。
“我们希望超越非黑即白的答案模式，因为这种模式常常让患者和医生对基因检测结果的实际意义感到困惑。”本研究资深作者、西奈山伊坎医学院教授Ron Do博士说，“通过利用人工智能和实际临床实验室数据（如大多数医疗记录中已包含的胆固醇水平或血常规数据），我们现在可以更好地估算携带特定基因变异的个体患病的可能性。这是一种更细致、可扩展且易于实施的精准医疗支持方式，尤其是在处理罕见或模棱两可的检测结果时。
基于机器学习的遗传变异外显率估计
研究人员利用超过100万份电子健康档案，针对10种常见疾病构建了AI模型。随后，将这些模型应用于已知携带罕见基因变异的个体，生成一个介于0到1之间的风险评分，用于反映其患病的可能性。
评分越高，越接近1，表明该变异导致疾病的可能性越大；评分越低，则表明风险极小或可忽略不计。研究团队为超过1600种基因变异计算了“机器学习外显率”评分。
研究人员指出，一些结果令人惊讶：先前被标注为“不确定”的变异显示出明确的疾病信号，而某些被认为会导致疾病的变异在实际数据中影响甚微。
“虽然我们的AI模型并非旨在取代临床判断，但它可能成为一个重要的指南，尤其是在检测结果不明确时。”
西奈山伊坎医学院Do博士实验室的首席研究作者Iain S. Forrest博士表示，“未来，医生可以利用“机器学习外显率”评分来决定患者是否应接受早期筛查或采取预防措施，或者如果变异风险较低，则避免不必要的担忧或干预。例如，如果患者携带与林奇综合征相关的罕见变异，且评分较高，这可能触发早期癌症筛查；但如果风险较低，则可避免妄下结论或过度治疗。”
研究团队目前正致力于扩展模型应用范围，纳入更多疾病类型、更广泛的基因变化以及更多样化的人群。他们还计划追踪这些预测随时间推移的准确性，即携带高风险变异的个体是否真的会患病，以及早期干预是否能产生积极影响。
“最终，我们的研究表明，未来AI和常规临床数据可能携手为患者和家庭提供更个性化、可操作的见解，帮助其理解基因检测结果。”Do博士说。
数据图及参考来源：
https://www.science.org/doi/10.1126/science.adm7066
除已标注来源外，本文封面图及文内图片均来自包图网（获授权使用），转载可能引起版权纠纷。
