L'intelligenza artificiale prevede le opportunità di trattamento delle malattie cardiache utilizzando l'imaging cardiaco / AI Predicts Heart Disease Treatment Opportunities Using Cardiac Imaging

L'intelligenza artificiale prevede le opportunità di trattamento delle malattie cardiache utilizzando l'imaging cardiaco. Il procedimento del brevetto ENEA RM2012A000637 è molto utile in questo tipo di applizazione. / AI Predicts Heart Disease Treatment Opportunities Using Cardiac Imaging. The procedure of the ENEA patent RM2012A000637 is very useful in this type of application.

Segnalato dal Dott. Giuseppe Cotellessa / Reported by Dr. Giuseppe Cotellessa

I ricercatori del Computational Cardiac Imaging Group presso l'MRC Laboratory of Medical Sciences di Londra hanno sviluppato un nuovo metodo che potrebbe contribuire ad accelerare l'identificazione di farmaci per le malattie cardiache combinando l'imaging cardiaco con grafici di conoscenza basati sull'intelligenza artificiale (IA). Il nuovo metodo, pubblicato su Nature Cardiovascular Research, integra la struttura e la funzione cardiaca dettagliate ricavate da immagini mediche direttamente in un grafico di conoscenza biologico. Chiamato CardioKG, questo approccio aiuta a prevedere i collegamenti gene-malattia, consentendo di identificare farmaci esistenti che potrebbero essere riutilizzati per trattare le patologie cardiovascolari in modo più efficace rispetto ai trattamenti attualmente disponibili.

I knowledge graph sono uno strumento per raccogliere informazioni da database biologici e collegare ciò che è già noto su geni, malattie, trattamenti, percorsi molecolari e sintomi in una rete strutturata. Tuttavia, non forniscono informazioni dettagliate ed a livello individuale sull'aspetto e sul funzionamento effettivo dell'organo interessato.

CardioKG colma questa lacuna aggiungendo dati di imaging ad un knowledge graph, la prima volta che le immagini vengono integrate in questo modo. Sebbene i knowledge graph possano collegare un'ampia gamma di informazioni, tra cui genomica, percorsi molecolari, malattie e farmaci, si basavano finora su dati astratti od a livello di popolazione. Incorporando i fenotipi derivati ​​dall'imaging, i ricercatori possono ora catturare la variazione a livello di paziente nel modo in cui la malattia colpisce il cuore stesso.

Per costruire il modello, il gruppo ha raccolto dati di imaging cardiaco da 4.280 pazienti con fibrillazione atriale, infarto od insufficienza cardiaca dalla UK Biobank, insieme a 5.304 partecipanti sani. Da questi dati di imaging, i ricercatori hanno generato oltre 200.000 tratti basati su immagini che definiscono la struttura e la funzione del cuore. Questi tratti sono stati poi integrati con informazioni provenienti da 18 database biologici, creando una rete di oltre un milione di relazioni che collegano geni, malattie, percorsi metabolici e farmaci.

L'uso dell'intelligenza artificiale è stato fondamentale per ricavare informazioni dall'integrazione tra imaging e grafo della conoscenza. I ricercatori hanno utilizzato un auto-encoder a grafo variazionale per apprendere gli embedding dal grafo della conoscenza. Ciò ha fornito previsioni sulle associazioni gene-malattia e sulle possibilità di riutilizzo dei farmaci. L'aggiunta di dati di imaging ha migliorato le prestazioni e le capacità predittive del modello, creando "endofenotipi" derivati ​​dall'imaging più vicini ai meccanismi della malattia rispetto a molti tratti osservabili.

Utilizzando CardioKG, il gruppo ha identificato nuovi geni associati a malattie e ha previsto diverse potenziali opportunità di riutilizzo dei farmaci. Tra queste, il metotrexato, un farmaco comunemente usato per trattare l'artrite reumatoide, come candidato per l'insufficienza cardiaca, e le gliptine, utilizzate nel diabete, come potenziali trattamenti per la fibrillazione atriale. Il modello ha anche suggerito un'associazione protettiva tra caffeina e fibrillazione atriale nei pazienti con ritmo cardiaco irregolare ed accelerato.

"Ciò che è entusiasmante è che ci sono altri studi recenti nel campo che supportano i nostri risultati preliminari", ha affermato l'autore senior Declan O'Regan, PhD, ricercatore principale presso l'MRC. "[Questo] evidenzia l'enorme potenziale dei knowledge graph nello scoprire farmaci esistenti che potrebbero essere riutilizzati come nuovi trattamenti".

I ricercatori hanno osservato che questo nuovo metodo aggiunge potenza ai precedenti studi di associazione genomica (GWAS) che hanno identificato numerose varianti legate a malattie, ma non sono in grado di identificare specificamente target terapeutici utilizzabili. "Un importante ostacolo è stata la limitata disponibilità di fenotipi a livello individuale che possono essere collegati ad altre informazioni semantiche nella rete", hanno scritto i ricercatori. Studi precedenti hanno suggerito il potenziale dei grafici di conoscenza, ma lo sviluppo di CardioKG dimostra che l'aggiunta di dati di imaging arricchisce questi GWAS, migliora la scoperta di percorsi e la prioritizzazione dei target farmacologici.

Le implicazioni per l'assistenza clinica puntano a un'identificazione più precoce e precisa dei bersagli terapeutici, paziente per paziente. Identificando rapidamente i geni ad alta priorità ed i farmaci candidati, i knowledge graph potenziati dall'imaging potrebbero anche guidare lo sviluppo farmaceutico e consentire sperimentazioni cliniche più mirate. I dati di questo studio hanno inoltre dimostrato che il riutilizzo previsto dei farmaci per lo scompenso cardiaco potrebbe migliorare la sopravvivenza dei pazienti.

Il gruppo del MRC sta ora pianificando di perfezionare ulteriormente il proprio approccio utilizzando CardioKG. "Sulla base di questo lavoro, estenderemo il knowledge graph in un framework dinamico ed incentrato sul paziente che catturi le traiettorie reali della malattia", ha affermato il primo autore Khaled Rjoob, PhD, ricercatore post-dottorato presso l'Imperial College di Londra. I ricercatori cercheranno anche di includere set di dati di imaging più diversificati e hanno sottolineato che esiste l'opportunità di applicare lo stesso approccio per includere il cervello ed il grasso corporeo, dove l'imaging è già ampiamente utilizzato.

ENGLISH

Researchers at the Computational Cardiac Imaging Group at the MRC Laboratory of Medical Sciences, London, have developed a new method that could help accelerate the identification of drugs for heart disease by combining cardiac imaging with artificial intelligence (AI)–driven knowledge graphs. The new method, published in Nature Cardiovascular Research, integrates detailed heart structure and function from medical images directly into a biological knowledge graph. Called CardioKG, this approach aids the prediction of gene–disease links which can identify existing drugs that could be repurposed to treat cardiovascular conditions better than currently available treatments.

Knowledge graphs are a tool for collecting information from biological databases and linking what is already known about genes, diseases, treatments, molecular pathways and symptoms in a structured network. But they have lacked the kind of detailed, individual-level information about how the affected organ actually looks and functions.

CardioKG closes that gap by adding imaging data to a knowledge graph, the first time images have been integrated in this way. While knowledge graphs can connect a broad array of information including genomics, molecular pathways, diseases, and drugs, they have relied on abstracted or population-level data. By incorporating imaging-derived phenotypes, the researchers can now capture patient-level variation in how disease affects the heart itself.

To build the model, the team gathered cardiac imaging data from 4,280 patients with atrial fibrillation, heart attack, or heart failure from the UK Biobank along with 5,304 healthy participants. From these imaging data, the researchers generated more than 200,000 image-based traits defining heart structure and function. These traits were then integrated with information from 18 biological databases, creating a network of over a million relationships linking genes, diseases, pathways, and drugs.

The use of AI was key to deriving knowledge from the imaging-knowledge graph integration. The researchers used a variational graph auto-encoder to learn embeddings from the knowledge graph. This provided predictions of gene–disease associations and drug repurposing possibilities. The addition of imaging data improved the model’s performance and predictive capabilities, by creating imaging-derived “endophenotypes” that are closer to disease mechanisms than many observable traits.

Using CardioKG, the team identified new disease-associated genes and predicted several potential drug repurposing opportunities. Among these were methotrexate, a drug commonly used to treat rheumatoid arthritis, as a candidate for heart failure, and gliptins, used in diabetes, as potential treatments for atrial fibrillation. The model also suggested a protective association between caffeine and atrial fibrillation in patients with irregular and fast heart rhythms.

“What’s exciting is there are other recent studies in the field which support our preliminary findings,” said senior author Declan O’Regan, PhD, a principal investigator at MRC. “[This] highlights the huge potential of knowledge graphs in uncovering existing drugs that might be repurposed as new treatments.”

The researchers noted that this new method adds power to previous genome-wide association studies (GWAS) that have identified many disease-linked variants but aren’t able to specifically identify actionable treatment targets. “An important bottleneck has been the limited availability of individual-level phenotypes that can be linked to other semantic information in the network,” the researchers wrote. Earlier studies have suggested the potential of knowledge graphs, but the development of CardioKG shows that adding imaging data enriches these GWAS, improve pathway discovery, and drug target prioritization.

The implications for clinical care point to earlier and more precise identification of therapeutic targets on a patient-by-patient basis. By quickly identifying high-priority genes and candidate drugs, imaging-enhanced knowledge graphs could also guide pharmaceutical development and allow for more targeted clinical trials. Data from this study also showed that predicted drug repurposing for heart failure could improve patient survival.

The MRC team is now planning to further refine their approach using CardioKG. “Building on this work, we will extend the knowledge graph into a dynamic, patient-centered framework that captures real disease trajectories,” said first author Khaled Rjoob, PhD, a postdoctoral researcher at Imperial College London. The researchers will also seek to include more diverse imaging datasets and noted there is an opportunity to apply the same approach to include the brain and body fat, where imaging is already widely used.

Da:

https://www.insideprecisionmedicine.com/topics/precision-medicine/ai-predicts-heart-disease-treatment-opportunities-using-cardiac-imaging/?_hsenc=p2ANqtz-_vFa1ApBcx6_2YqKsichihxETqB5ZTCnSH3RhpNEr3pYIGtuMEsg1u8EoPChHTnC2bJrQTGq4xTKW5K0cV7Wyj4Tu4yu-YmxoVpjAlBOkk_oQ5Gk8&_hsmi=396967869