Zo schenkkan eenvoudiger bepaald wordt of den verstandelijke restrictie is veroorzaakt om eentje genetische mutatie, vertelt vorser Christian Gilissen. “Ermee kunnen wij ouders op eentje veel gebieden promoten te ie zorgproces voordat hun nageslacht.”
Mits hoogleraar genoom bio-informatica aan ie Radboudumc houdt Gilissen zichzelf bezig met analyseren van genetische gegevens. Mits bio-informaticus is hij actief te den dagelijkse praktijk van patiëntdiagnostiek te ie genetische centrum van ie Nijmeegse universitaire ziekenhuis.
Zeldzame emoties
Eentje eindje van den diagnoses betreft zeldzame emoties diegene leiden totdat verstandelijke beperkingen indien gevolg van de novo mutaties te ie DNA. Diegene voortkomen spontaan plusteken zijn noch doorgegeven om eentje van of beide ouders van eentje patiënt – veelal eentje welp kleuter. Ie gaat wegens zo’n 80 totdat 100 mutaties op omstreeks trio miljard base-paren, eentje gering veel.
Gilissen: “Wij weten dat diegene vaak ten grondslag ligt aan ontwikkelingsachterstanden of eentje verstandelijke restrictie. Dat verrichten wij normaal om genetische gegevens van ouders plusteken kleuter te vergelijken, maar dit is hevig lastig. Vaak is er onvoldoende kennisoverdracht, of zitten er onjuistheden te den technologie diegene wij tradities. Ie gevolg is veel vals-positieven of gemiste mutaties.”
Visuele inspectie genetische gegevens
Den diagnoses van ie genetisch centrum bieden diverse voordelen: toegang totdat zorg, meer duidelijkheid overheen eentje beklacht plusteken den oorzaak, plusteken mogelijkheden voordat preventie. Maar kon ie noch sneller, plusteken met minder foute diagnoses? Twee schooljaar terug ging Gilissen met enkele collega’s met diegene vragen aan den slag. Zij ontwikkelden eentje algoritme – op ondergrond van deep learning – diegene eentje visuele inspectie van den genetische gegevens nadoet.
Via deep learning is dergelijke beeldmateriaal intact ja te analyseren, stelt Gilissen. Wegens ie algoritme te voeden, heeft den genetica-afdeling van ie Radboudumc op ondergrond van inherent gegevens cohorten samengesteld van opgespoorde genetische mutaties diegene klopten plusteken zowel diegene noch klopten, zodat ie algoritme ie verschil kon leren.
“Wij hebben zowel andere, externe datasets aan ie algoritme gevoerd diegene met andere methoden zijn gegenereerd. Daaruit bleek dat onze methodiek minder fout-positieven genereerde. Ie algoritme bleek daarnaast zwaargebouwd toereikend wegens den gegevens uit andere DNA-lezers, of verkregen via andere verrijkingstechnieken, onberispelijk te kunnen analyseren.”
Kinderziektes uit algoritme
Gilissen plusteken zijn team zijn twee schooljaar bezig geweest met ie uitbouwen van ie algoritme. Dat wasgoed volgens hem hard nodig wegens alle kinderziektes eruit te halen, te voorkomen dat er biases voortkomen op ondergrond van den deep learning gegevens, wegens trainingsdata toe te voegen daarheen waar ie algoritme nog noch zo ja mutaties kon opsporen. Nu wordt er vooral gewerkt aan verfijningen plusteken andere toepassingen mogelijk maken op ondergrond van veldwerk tijdens andere groepen.
Meer weten? Lees ie hele vraaggesprek met Christian Gilissen te ICT&health 4, diegene op 26 augustus verschijnt.