Genetik Risk Skorları
Poligenik Risk Skoru (PRS), bireyin genetik haritasında yer alan binlerce hatta milyonlarca genin etkisini toplayarak, gen ve çevre etkileşimi ile ortaya çıkan hastalıklara karşı genetik yatkınlığını sayısal bir değerle tahmin eden ileri bir biyoinformatik analiz yöntemidir.
Bu yöntemle ileri yaşlarda çıkabilecek nörolojik hastalıklar, kalp-damar hastalıkları, diyabet ve kanser gibi çok faktörlü hastalıklar için genetik riskinizi sayısal bir skorla öğrenebilirsiniz.
HeraBiyo'nun Özgün PRS Metodolojisi
HeraBiyo, farklı genetik kökenlerde karşılaşılan öngörü gücü sınırlılıklarını azaltmak ve klinik doğruluğu artırmak amacıyla, yerel popülasyon verileriyle kalibre edilmiş ve klinik uç noktalarla doğrulanmış PRS modelleri geliştirmektedir.
HeraBiyo, genetik tanı merkezlerinin ihtiyaçlarına göre özelleştirilmiş (tailor-made) raporlar geliştirerek çalışma akışlarına uyum sağlayan ve yüksek müşteri memnuniyeti oluşturan bir çözüm sunar.
- Gelişmiş Genotip İşleme ve Standardizasyon: Veri kaynağına (Tüm Genom Dizilemesi – WGS ya da SNP Array) göre, ham veriler BWA ve GATK gibi araçlarla genotiplenir veya CEL/IDAT dosyaları kullanılarak çağrım ve imputasyon (Eagle v2/SHAPEIT4) işlemleri uygulanır. PLINK aracı kullanılarak genotip verileri skorlama için uygun formata getirilir ve kalite kontrol (QC) süreçleri tamamlanır.
- Yerel Popülasyon Kalibrasyonu: Uluslararası çalışmalardan elde edilen varyant ağırlıkları, bireyin hesaplanan genetik kökeni esas alınarak kullanılır. Bu yaklaşım, skorların farklı popülasyonlarda performans düşüşünü azaltmayı ve yerli bireyler için öngörü gücünü artırmayı hedefler.
- Makine Öğrenmesi ile Entegrasyon: PRS skoru ve etnik köken verileri, temel klinik öznitelikler (yaş, cinsiyet, kan basıncı, diyabet, lipid değerleri, sigara vb.) ile birleştirilerek risk tahminlerinin doğruluğu artırılır. Bu entegrasyon, çok katmanlı perceptron modelleri kullanılarak sağlanır.
Referanslar
- Steinfeldt, J. et al. (2022). Neural network-based integration of polygenic and clinical information… The Lancet Digital Health, 4(2).
- Lennon, N. J. et al. (2023). Selection, optimization, and validation of ten chronic disease polygenic risk scores… medRxiv.
- Wang, Y. et al. (2022). Challenges and Opportunities for Developing More Generalizable Polygenic Risk Scores. Annual Review of Biomedical Data Science, 5.
- Ge, T. et al. (2019). Polygenic prediction via Bayesian regression and continuous shrinkage priors. Nat Commun 10.
Genetic Risk Scores
The Polygenic Risk Score (PRS) is an advanced bioinformatics analysis method that estimates an individual's genetic susceptibility to complex diseases — which emerge through gene–environment interactions — by aggregating the effects of thousands or even millions of genes found in their genetic blueprint.
With this method, you can learn your genetic risk for multifactorial diseases such as neurological disorders, cardiovascular diseases, diabetes and cancer that may arise in later ages, expressed as a numerical score.
HeraBiyo's Unique PRS Methodology
To reduce the predictive-power limitations encountered across different genetic backgrounds and to increase clinical accuracy, HeraBiyo develops PRS models that are calibrated with local population data and validated with clinical endpoints.
HeraBiyo offers a solution that adapts to workflows and creates high customer satisfaction by developing tailor-made reports customized to the needs of genetic diagnosis centers.
- Advanced Genotype Processing and Standardization: Depending on the data source (Whole Genome Sequencing – WGS or SNP Array), raw data is genotyped using tools like BWA and GATK, or calling and imputation (Eagle v2/SHAPEIT4) are applied using CEL/IDAT files. Using PLINK, genotype data is converted into a format suitable for scoring and quality-control (QC) processes are completed.
- Local Population Calibration: Variant weights obtained from international studies are utilized based on the individual's calculated genetic background. This approach aims to reduce the performance drop of scores across different populations and increase predictive power for local individuals.
- Integration with Machine Learning: The PRS score and ancestry data are combined with core clinical attributes (age, sex, blood pressure, diabetes, lipid values, smoking, etc.) to increase the accuracy of risk predictions. This integration is achieved using multi-layer perceptron models.
References
- Steinfeldt, J. et al. (2022). Neural network-based integration of polygenic and clinical information… The Lancet Digital Health, 4(2).
- Lennon, N. J. et al. (2023). Selection, optimization, and validation of ten chronic disease polygenic risk scores… medRxiv.
- Wang, Y. et al. (2022). Challenges and Opportunities for Developing More Generalizable Polygenic Risk Scores. Annual Review of Biomedical Data Science, 5.
- Ge, T. et al. (2019). Polygenic prediction via Bayesian regression and continuous shrinkage priors. Nat Commun 10.
