Нова Геномикс

Искусственный интеллект и алгоритмы часто упоминаются в одном контексте, но слишком часто без четких определений. Формирование доверия к технологиям начинается с ясности — что именно представляет собой ИИ, что такое машинное обучение и какое место занимает алгоритм? Это различие особенно важно в таких областях, как репродуктивная генетика, где терминология может формировать как профессиональное доверие, так и понимание пациентов. Преимплантационное генетическое тестирование (ПГТ) за последние три десятилетия претерпело значительную эволюцию. Начало 1990-х годов ознаменовалось появлением FISH, которая позволяла исследовать лишь небольшое количество хромосом. Хотя для своего времени это был прорыв, его ограничения быстро стали очевидны. К 2000-м годам более совершенные подходы, такие как метафазная CGH, array CGH и qPCR, открыли новые возможности в области эмбриональной генетики, хотя многие из этих методов были технически сложными и трудно масштабируемыми. Настоящий прорыв произошел с появлением секвенирования нового поколения (NGS) примерно в 2014 году, что позволило проводить гораздо более всесторонний анализ генома и дало лабораториям возможность видеть далеко за пределами статичных снимков более ранних платформ. Основная гипотеза преимплантационной генетической диагностики (ПГД) остается простой: поскольку большая часть эмбрионов являются анеуплоидными и неспособны привести к рождению здорового живого ребенка, скрининг эмбрионов на хромосомные аномалии перед переносом должен улучшить результаты ЭКО. Клинические данные подтверждают это. В исследованиях без отбора эуплоидные эмбрионы демонстрировали значительно более высокие показатели имплантации и рождения живых детей, в то время как анеуплоидные эмбрионы — несмотря на то, что иногда имплантировались — никогда не приводили к рождению здоровых живых детей. Данные крупномасштабных регистров, охватывающих сотни тысяч переносов эмбрионов в Соединенных Штатах, еще больше подтверждают этот тезис: ПГД неизменно улучшает показатели рождения живых детей на один перенос по сравнению с циклами без тестирования. С технологической точки зрения, секвенирование нового поколения (NGS) работает путем кодирования фрагментов ДНК эмбрионов, их секвенирования и выравнивания полученных данных по эталонному геному человека. Затем алгоритмы подсчитывают и сравнивают фрагменты ДНК для определения количества копий хромосом, выявляя аномалии с высокой точностью. Но само по себе NGS — это лишь часть картины. Интеграция анализа однонуклеотидных полиморфизмов (SNP) обеспечивает еще более высокое разрешение. SNP позволяют выявлять триплоидию — одну из наиболее распространенных причин выкидышей — и обнаруживать такие проблемы, как потеря гетерозиготности. Они также позволяют проводить мощное гаплотипирование и даже потенциально универсальную преимплантационную генетическую диагностику (ПГД), где унаследованные от родителей варианты могут быть сопоставлены с эмбрионами. Важно отметить, что не все методы секвенирования одинаковы. Длина прочтения, методы амплификации и скорость картирования определяют разрешение и надежность данных. Большая длина прочтения и более глубокое покрытие обеспечивают более точные результаты, что становится все более осуществимым сейчас, когда большинство эмбрионов замораживаются после биопсии. В дальнейшем необходимо уделять больше внимания широте и глубине секвенирования — широте для всестороннего хромосомного скрининга, глубине для детального анализа вариантов. В этой области также начинает осознаваться важность анализа небольших вариаций числа копий, структурных вариантов и однонуклеотидных мутаций — особенностей, которые стандартные платформы ПГД часто упускают из виду. Новые исследования показывают, насколько распространены такие вариации и как они могут влиять на развитие эмбриона. Современные технологические достижения позволяют изучать эти вариации с беспрецедентной детализацией, иногда даже вплоть до анализа отдельных сперматозоидов, где можно обнаружить сотни уникальных мутаций в каждом сперматозоиде. В перспективе будущее преимплантационной генетической диагностики (ПГД) заключается в создании специализированных платформ, а не универсальных наборов. Сочетая технологии секвенирования с искусственным интеллектом и большими клиническими массивами данных, лаборатории могут совершенствовать алгоритмы, учитывая реальные результаты беременности, а не только теоретические прогнозы. Это открывает возможности для «идентификации» эмбрионов для подтверждения идентичности, улучшенного выявления сложных анеуплоидий и триплоидий, а также возможности отслеживания родительского происхождения ошибок — ценная информация для пациентов, рассматривающих возможность использования донорских гамет. Это переломный момент для генетики и геномики. Доступные сегодня инструменты потенциально могут не только улучшить отбор эмбрионов, но и изменить способы сотрудничества лабораторий, обмена данными и стимулирования инноваций. Задача сейчас не только техническая, но и куль...