USA: ML-Modelle zur Identifikation genetischer Krankheitsursachen
Eine aktuelle Untersuchung von Camilla Mapstone, Julia Handl und David Talavera hat die Anwendbarkeit von maschinellen Lernverfahren zur Klassifizierung von Krankheitsphänotypen und zur Identifikation von ursächlichen Genen geprüft. Die Studie kombiniert reale Datensätze mit einem neu erstellten Benchmark aus synthetischen Daten, die bekannte Erzeugungsmechanismen und unterschiedliche Rauschpegel enthalten.
Hintergrund und Zielsetzung
Genetische Dosiskombinationen gelten als zentrale Faktoren für das Auftreten von Krankheiten. Da solche Kombinationen Hunderte von Genen umfassen können, wird vermutet, dass maschinelle Lernansätze bei der Unterscheidung von Fällen und Kontrollen sowie bei der Aufdeckung von Krankheitsgenen unterstützen können. Die Autoren wollten die Gültigkeit dieser Annahme systematisch testen.
Methodik
Die Forschenden entwickelten einen Benchmark, der sowohl reale Daten mit bekannter Wahrheit als auch synthetische Datensätze unterschiedlicher Größe und Rauschintensität enthält. Auf allen Datensätzen wurden gängige statistische Lern‑ und ML‑Modelle trainiert, um das Krankheitsphänotyp zu klassifizieren. Zusätzlich wurden Analysen zur Identifikation von Kausalgenen durchgeführt.
Ergebnisse der Modellvergleiche
Die Auswertung zeigte, dass die Klassifikationsleistung stark vom jeweiligen Szenario abhängt. Während einige Modelle in bestimmten synthetischen Szenarien höhere ROC‑AUC‑Werte erzielten, erwies sich das logistische Regressionsmodell als besonders beständig bei der Identifikation von Kausalgenen, selbst wenn seine Gesamtklassifikationsleistung nicht immer die höchste war.
Leistung der logistischen Regression
Die logistische Regression identifizierte die ursächlichen Gene in den meisten synthetischen Datensätzen zuverlässig, obwohl sie in einigen Fällen einen vergleichsweise niedrigen ROC‑AUC‑Score aufwies. Dieses Ergebnis legt nahe, dass die Fähigkeit zur Kausalidentifikation nicht zwangsläufig mit der reinen Klassifikationsgenauigkeit korreliert.
Einfluss der Datengröße
Die Analyse der Modellperformance in Abhängigkeit von der Datengröße ergab, dass größere und reichhaltigere Datensätze die Vorhersagegenauigkeit deutlich verbessern. Bei den Versuchen mit den UK‑Biobank‑Daten scheiterten die Trainingsläufe, was die Autoren auf unzureichende Datenvielfalt zurückführen.
Implikationen für zukünftige Forschung
Die Ergebnisse betonen, dass die Berücksichtigung der Expression funktionaler Gene für die erfolgreiche Krankheitsvorhersage essenziell ist. Die Studie empfiehlt, zukünftige ML‑Ansätze mit Fokus auf Genexpressionsdaten zu entwickeln und die Datengröße als kritischen Faktor zu berücksichtigen.
Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.
Ende der Uebertragung