Aprenentatge automàtic per descobrir els factors que poden determinar l’edat d’aparició de la malaltia de Huntington
Un equip de la Facultat de Medicina i Ciències de la Salut i l’Institut de Neurociències de la Universitat de Barcelona (UBneuro) ha aplicat tècniques avançades d’intel·ligència artificial per entendre millor per què la malaltia de Huntington pot començar a edats molt diferents en els pacients. Aquesta patologia neurodegenerativa hereditària, que causa alteracions motores, cognitives i psiquiàtriques, està originada per una mutació en el gen HTT, que codifica la proteïna huntingtina.
Un equip de la Facultat de Medicina i Ciències de la Salut i l’Institut de Neurociències de la Universitat de Barcelona (UBneuro) ha aplicat tècniques avançades d’intel·ligència artificial per entendre millor per què la malaltia de Huntington pot començar a edats molt diferents en els pacients. Aquesta patologia neurodegenerativa hereditària, que causa alteracions motores, cognitives i psiquiàtriques, està originada per una mutació en el gen HTT, que codifica la proteïna huntingtina.
La mutació en aquest gen genera una sèrie de repeticions de la seqüència de nucleòtids CAG que alteren les propietats i la funcionalitat de la proteïna huntingtina en el cervell. Tot i que la longitud de les repeticions de CAG en el gen HTT influeix en l’edat d’aparició dels primers símptomes, aquest factor no explica completament la gran variabilitat observada en l’inici de la patologia. Ara, el nou treball explora quins factors genètics addicionals podrien tenir un paper important a l’hora de determinar quan apareix la malaltia en les persones afectades.
L’article s’ha publicat a les actes de la 20a reunió d’Aprenentatge Automàtic en Biologia Computacional (MLCB, 2025), un dels fòrums científics de més projecció internacional sobre les noves fronteres del coneixement entre aprenentatge automàtic i biologia computacional. L’article l’ha liderat el grup de recerca de l’investigador Ramón y Cajal Jordi Abante (UB-UBNeuro), amb l’estudiant de màster Caterina Fuses com a primera autora del treball.
La recerca és una aplicació pionera i innovadora d’un model de llenguatge d’intel·ligència artificial sobre informació genòmica en la predicció multimodal de genotip a fenotip. El treball perfila un nou marc per estudiar malalties genètiques complexes i constata com l’aprenentatge automàtic multimodal pot ajudar a descobrir patrons biològicament significatius que són difícils de detectar amb mètodes convencionals.
Més enllà de les tècniques estadístiques tradicionals
En l’estudi, els experts van utilitzar models d’aprenentatge automàtic no lineal —per exemple, models basats en arbres i xarxes neuronals de grafs (GNN)— per identificar modificadors genètics, és a dir, gens que poden retardar o accelerar l’aparició de la malaltia en funció dels antecedents genètics del pacient.
Per fer l’anàlisi més eficient i interpretable, l’equip també va desenvolupar un mètode per comprimir la informació genètica mitjançant xarxes neuronals específiques de gens, la qual cosa va permetre reduir el cost computacional sense perdre poder predictiu. A més, es van incorporar canvis en l’expressió gènica, predits i generats per un model de llenguatge genòmic d’última generació. Aquesta innovació va permetre vincular variants reguladores d’ADN amb canvis en l’activitat gènica a les regions cerebrals afectades per la malaltia.
En el marc del treball, els experts van analitzar dades genètiques de més de nou mil pacients amb la malaltia de Huntington. Així, l’equip va poder identificar tant factors modificadors coneguts prèviament i relacionats amb la reparació de l’ADN com nous gens candidats implicats en processos com ara la regulació de la transcripció i el metabolisme cel·lular. Cal destacar que els resultats mostren per primer cop que diferents mecanismes biològics poden influir en l’aparició de la malaltia en pacients amb expansions CAG més curtes versus més llargues, i revelen així la naturalesa dependent que té context en aquests efectes genètics.
«Aquest treball constata que els factors genètics que modifiquen la malaltia de Huntington no són universals, sinó que depenen en gran mesura del context genètic. Mitjançant l’aprenentatge automàtic no lineal i multimodal, podem descobrir interaccions que eren essencialment invisibles amb enfocaments tradicionals», comenta Jordi Abante, investigador principal de l’estudi, professor de la Facultat de Medicina i Ciències de la Salut de la UB i membre d’UBneuro.
«Aquest enfocament també es podria aplicar a altres trastorns neurodegeneratius i hereditaris, i obrir així noves vies per a la recerca i, en el futur, estratègies terapèutiques més personalitzades», clou Abante.