Ricercatori dell’Università della Pennsylvania stanno sviluppando strategie di apprendimento automatico per migliorare il matching dei reni e ridurre il rischio di fallimento del trapianto

Ricercatori dell'Università della Pennsylvania sviluppano strategie di apprendimento automatico per migliorare il matching dei reni e ridurre il rischio di fallimento del trapianto.

L’IA è emersa come un faro di speranza per gli individui, analizzando una certa variazione genetica al fine di ridurre il rischio di trapianto di rene. La valutazione dei rischi di insuccesso del trapianto di rene si basa tradizionalmente su disuguaglianze di HLA (antigene leucocitario umano). Un team di ricerca dell’Università della Pennsylvania ha esplorato un innovativo algoritmo di apprendimento automatico in grado di aiutare a scoprire le connessioni nascoste tra le disuguaglianze degli amminoacidi (AA-MMs) e la probabilità di insuccesso del trapianto.

Il loro approccio, denominato FIBRES (Feature Inclusion Bin Evolver for Risk Stratification), utilizza algoritmi evolutivi per costruire automaticamente i bin AA-MMs, riducendo al minimo le supposizioni sulla composizione dei bin. Aiuta a stratificare efficacemente le coppie di trapianto in gruppi ad alto rischio e a basso rischio per la sopravvivenza del trapianto. Analizzando un dataset di 166.754 trapianti di rene da donatori deceduti dal database SRTR (Scientific Registry of Transplant Recipients) utilizzando l’approccio FIBRES, i ricercatori hanno scoperto i limiti dei metodi tradizionali nel rischio di insuccesso del trapianto. Hanno sottolineato il ruolo della variabilità degli amminoacidi, consentendo a FIBRES di identificare più del doppio dei pazienti a basso rischio.

FIBRES ha utilizzato un algoritmo evolutivo per ottimizzare iterativamente la fitness dei bin AA-MMs per la stratificazione del rischio di insuccesso del trapianto. Ha selezionato i bin con prestazioni migliori come “genitori” per generare nuovi bin tramite “ricombinazione” (cioè crossover) e “mutazione” (cioè sostituzione, aggiunta e cancellazione) delle posizioni degli amminoacidi all’interno dei bin. FIBRES incorpora un “minimo di stratificazione del rischio” per garantire l’affidabilità statistica dei risultati ottenuti.

Questo approccio viene applicato in tre analisi: (1) costruzione di bin utilizzando AA-MMs in cinque loci HLA e confronto della stratificazione del rischio, (2) binning AA-MMs all’interno di ciascun HLA separatamente, e (3) valutazione delle prestazioni utilizzando la cross-validazione. Ha contribuito a migliorare la stratificazione del rischio rispetto alla mancata corrispondenza dell’antigene 0-ABDR. Si è scoperto che il 24,4% dei trapianti di rene era a basso rischio secondo la valutazione AA-MM rispetto al 9,1% per il 0-ABDR. La cross-validazione ha dimostrato la generalizzabilità della previsione del rischio dei bin FIBRES, confermandone la robustezza.

I ricercatori hanno sottolineato che FIBRES potrebbe essere più olistico nel determinare quali AA-MM influenzano il rischio. Tuttavia, sono necessari dataset molto più ampi. In futuro, i ricercatori mirano a superare le limitazioni (1) estendendo il binning a ulteriori loci HLA, (2) confrontando i risultati tra i destinatari del primo trapianto e i destinatari di re-trapianto, e (3) adattando FIBRES per ottimizzare i bin che possono stratificare le coppie donatore/destinatario in qualsiasi numero di gruppi di rischio, apprendere i cutoff dei gruppi e apprendere i pesi degli AA-MM per inferire l’importanza di una determinata MM.