Yenidoğan Taramaları Genetik Modellerin Yanılgısını Ortaya Çıkardı: Nadir Hastalıklar Daha Yaygın

Dünya çapında yüz milyonlarca insan, tıp dünyasının en büyük zorluklarından biri olan nadir hastalıklarla mücadele ediyor. Her bir vakanın ardında, doğru teşhisi alabilmek için yıllarca süren, laboratuvar laboratuvar gezilen yorucu bir serüven yatıyor. Halk sağlığı politikalarının şekillendirilmesi, Ar-Ge bütçelerinin tahsisi ve sağlık sistemlerinin bu hastalara etkin bir şekilde ulaşabilmesi için en temel gereksinim ise şüphesiz vaka sayılarının doğru ve eksiksiz bir şekilde sayılmasıdır.

Klinik Kayıtlar ve Genetik Modeller Arasındaki Büyük Kopukluk

Geleneksel olarak bir nadir hastalığın yaygınlığını (prevalansını) tahmin etmenin en temel yolu, hastane kayıtlarındaki tanıları saymaktır. Ancak nadir hastalık taşıyan pek çok birey, hayatının önemli bir bölümünü doğru teşhis konulmadan geçirir. Dahası, aynı genetik mutasyona sahip iki hastanın klinik semptomları birbirinden tamamen farklı olabilir. Bu belirsizliği ortadan kaldırmak amacıyla devreye giren Yenidoğan Tarama Programları (NBS), bebeklerin topuklarından alınan kan damlası üzerinden hastalığa bağlı molekülleri ölçerek yüksek bir yakalama oranı sunar. Fakat bu programlar da kusursuz değildir; taranan hastalıkların listesi oldukça yavaş güncellenir ve pek çok sendrom güncel panellerin dışında kalır.

Son yıllarda, bu sorunu aşmak için biyoinformatik ve genetik modellemeler ön plana çıkmaya başlamıştı. Özellikle otozomal resesif (çekinik) nadir hastalıklar, her iki ebeveynin de hastalıklı alleli çocuğa aktarmasını gerektirir. Toplumda pek çok insan bu tek allelin sağlıklı taşıyıcısıdır. Algoritmik genetik modeller, bu tek allellerin genel popülasyonda ne kadar yaygın olduğunu tahmin eder ve bu veriden yola çıkarak kaç kişinin her iki alleli de taşıyacağını istatistiksel olarak hesaplar. Ancak The American Journal of Human Genetics dergisinde yayımlanan yeni bir çalışma, bu algoritmaların sahada ne kadar büyük yanılgılara yol açabildiğini sarsıcı bir şekilde ortaya koydu.

23 Milyon Yenidoğan Verisi, Algoritmaları Test Ediyor

Nadir hastalıklara yönelik yenilikçi ilaçlar geliştiren biyoteknoloji devi BioMarin Pharmaceutical bünyesinde görev yapan biyoinformatik uzmanı Michael Sierant ve ekibi, genetik modelleme yaklaşımlarını ilk kez gerçek dünya NBS verileriyle eşleştirdi. Araştırmacılar, gnomAD ve ClinVar gibi devasa küresel genetik veritabanlarını kullanarak 28 farklı otozomal resesif hastalığın prevalansını hesapladı. Ardından bu teorik sonuçlar, ABD, Guam ve Porto Riko’daki 23 milyon yenidoğanı kapsayan devasa bir tarama veritabanındaki fiili doğum prevalansıyla karşılaştırıldı.

SMA Vakalarında 74 Katlık Sapma

Araştırmanın sonuçları, mevcut genetik tahmin altyapısının ciddi şekilde gözden geçirilmesi gerektiğini gösterdi. Genetik modelleme teknikleri, test edilen hemen her nadir hastalığın yaygınlığını önemli ölçüde eksik hesaplamıştı. Tablo oldukça çarpıcıydı:

• İncelenen hastalıkların yarısında genetik modellemeler, gerçek vaka sayısını en az 3,5 kat daha düşük öngördü.
• Tam 10 farklı nadir hastalıkta genetik test tahminleri, yenidoğan tarama kayıtlarından 10 kat daha düşüktü.
• En sarsıcı sonuç ise Spinal Musküler Atrofi (SMA) verilerinde görüldü; genetik modeller SMA’nın yaygınlığını gerçek rakamlardan 74 kat daha düşük hesaplamıştı.

Listede algoritmaların kapasitesini aşarak “fazla hesapladığı” tek hastalık biyotinidaz eksikliği oldu. Bunun nedeni ise genetik modellerde hastalıkla ilişkilendirilen belirli bir allelin, gerçek dünyada aslında insanları hasta etmeyen benign (iyi huylu) bir varyant olmasıydı.

Biyoinformatik Modelleri İyileştirme Çabaları

Bu sistemik eksik tahminleri düzeltmek isteyen araştırma ekibi, modeller üzerinde bir dizi ince ayar (tweak) gerçekleştirdi. Öncelikle gnomAD veritabanının daha güncel bir sürümüne geçiş yapıldı. Ardından, küresel allel frekanslarına dayanan genetik veri setleri, spesifik olarak ABD nüfus sayımı demografisine uyacak şekilde yeniden ağırlıklandırıldı. Sadece bu demografik kalibrasyon bile, 10 kattan fazla eksik hesaplanan hastalık sayısını dörde düşürdü.

Ekip daha sonra genetik analize dahil edilen mutasyon tiplerini rafine etti. Mevcut veritabanlarının bazı protein kesen (protein-truncating) ve yanlış anlamlı (missense) varyantları hesaba katmadığı anlaşıldı. Bu kritik mutasyonların algoritmaya dahil edilmesiyle uyum oranları dramatik şekilde arttı ve genetik tahminler ile NBS verileri arasındaki medyan fark sadece 1,4 kata kadar geriledi.

Kör Nokta: Genetik Çeşitlilik Eksikliği

Yapılan tüm bu optimizasyonlara rağmen, genetik veritabanlarını besleyen veri setlerindeki yapısal sınırlamalar—özellikle örneklem çeşitliliğinin düşük olması—modellerin tam potansiyeline ulaşmasını engellemeye devam ediyor. Araştırmanın yazarları yayımlanan makalede şu hayati uyarıyı yapıyor:

“Pek çok atasal (ancestral) grubun genetik veritabanlarında yetersiz temsil edilmesi, belirli popülasyonlara özgü nadir hastalığa neden olan varyantların tespit edilmesini doğrudan sekteye uğratmaktadır.”

Araştırmacılar, mevcut eksikliklerine rağmen, bu tür biyoinformatik genetik tahminlerin halk sağlığı stratejileri için vazgeçilmez olduğu sonucuna varıyor. Zira yenidoğan tarama panellerinin kapasitesi fiziksel ve maliyet açısından sınırlıdır. Hekimlerin çok daha geniş bir nadir hastalık yelpazesine uygulayabileceği bu algoritmik modeller, tanı konulamayan hastalar için teşhis odissesini bitirecek en güçlü dijital araç olmaya devam ediyor.