Pro rodiny žijící se vzácným onemocněním bývá nejtěžší částí cesty často samotné hledání názvu pro to, co se děje. Příznaky mohou být nejasné, odborníci se střídají, testy přinášejí další otázky a správná diagnóza někdy nepřijde celé roky. Průměrná cesta k diagnóze vzácného onemocnění může trvat šest až sedm let. Pro člověka, který každý den žije s bolestí, omezením nebo nejistotou, je to mimořádně dlouhá doba.
Nová spolupráce mezi Manton Center for Orphan Disease Research v Boston Children’s Hospital, Harvardem a OpenAI ukazuje slibný způsob, jak tuto cestu zkrátit. Výzkumný tým použil AI workflow založený na modelu OpenAI o3 Deep Research k opětovnému vyhodnocení složitých genetických případů. Ve skupině 376 případů tento postup odhalil důkazy vedoucí k 18 diagnózám vzácných onemocnění.
Za nejdůležitější nepovažuji jen samotné číslo. Podstatné je, co tento přístup znamená v praxi: umělá inteligence může pomoci výzkumníkům rychleji vytřídit ohromné množství genetických variant, dohledat odbornou literaturu, navrhnout ověřitelné hypotézy a dát lidským odborníkům kratší, lépe podložený seznam stop k prověření. Diagnózu však neurčuje sama. Genetikové, lékaři a rodiny zůstávají v samotném středu celého procesu.
Obsah
- 🧬 Proč jsou vzácná onemocnění tak těžká na rozpoznání
- 🧭 Diagnostická odysea není abstraktní pojem
- 🔎 Co všechno obnáší ruční analýza genomu
- 🤖 Jak AI workflow fungoval
- 📊 Co přinesla analýza 376 případů
- 🩺 Proč lidský odborník zůstává nepostradatelný
- ⏱️ Klíčem je možnost případy opakovaně přehodnocovat
- 🧪 Celogenomové sekvenování co nejdříve
- 🔐 Přístupnost, bezpečnost dat a další překážky
- 🌱 Co může následovat v medicíně vzácných nemocí
- 💙 Diagnóza znamená víc než výsledek testu
🧬 Proč jsou vzácná onemocnění tak těžká na rozpoznání
Vzácná onemocnění se někdy označují jako nejtěžší z nejtěžších diagnostických případů. Tento popis dává smysl. Lékaři obvykle nestojí před jedním jasným příznakem, ale před spletitou kombinací projevů, které se navíc mohou v čase měnit. Svalová slabost, potíže s chůzí, neurologické obtíže, dýchací komplikace, změny na kůži nebo vývojové odlišnosti mohou mít mnoho různých příčin.
U řady vzácných stavů je genetický původ známý nebo velmi pravděpodobný. Genom člověka ale obsahuje přibližně tři miliardy bází DNA a zhruba 20 000 genů. Vědci dnes spojují s nemocemi už asi 8 000 až 9 000 genů a tento počet dále roste. Každý jednotlivý gen navíc může být narušen mnoha různými způsoby.
Technologie sekvenování nové generace umožnily číst rozsáhlé části genomu, případně celý genom, podstatně rychleji než dříve. To je obrovský pokrok. Současně však vznikl nový problém: získat data už nestačí. Je třeba je správně vyložit.
Alan Beggs, ředitel Manton Center, popisuje tuto situaci jako hledání jehly v kupce sena. Po základním filtrování genomických dat může odborník stále pracovat s tisíci až deseti tisíci genetických variant napříč stovkami genů. Každý záznam nese řadu dalších informací: jak je varianta častá v populaci, kterého genu se týká, zda může ovlivnit protein, zda jde o technicky spolehlivý nález a zda již existují publikované důkazy o souvislosti s určitou nemocí.
Nejde tedy jen o výpočetní úkol. Interpretace vyžaduje znalost klinických projevů, dědičnosti, biologie daného genu, aktuálního stavu vědeckého poznání i kvality naměřených dat. I zkušený specialista zná do hloubky především určitou část tisíců nemocných genů. Žádný jednotlivec nemůže mít stejnou detailní znalost všech oblastí zároveň.
🧭 Diagnostická odysea není abstraktní pojem
Za statistikami jsou konkrétní lidé a jejich rodiny. Příběh Stava Ronise ukazuje, jak může vypadat dlouhá cesta bez odpovědi. Stav vyrůstal v oblasti Bostonu, měl rád sport a věnoval se baseballu, basketbalu i veslování. Když se během dospívání začal věnovat sportu intenzivněji, všiml si bolestí a pohybových omezení, které jeho vrstevníci neměli.
Nejprve nebylo jasné, zda jde o běžný fyzický problém. Teprve po třech až čtyřech letech se ukázalo, že obtíže nejsou jen mechanické či ortopedické, ale mají neurologickou souvislost. Další roky trvalo, než se podařilo dojít k genetické příčině. Celá cesta byla dlouhá, zahrnovala i původní diagnózu, která se nakonec ukázala jako nesprávná.
Stav dnes pracuje jako softwarový inženýr v Miami. Jeho zkušenost připomíná, že diagnóza není pouhý kód v lékařské dokumentaci. Přináší možnost přizpůsobit každodenní život skutečné povaze onemocnění a vyhnout se činnostem, které by mohly člověku uškodit. Zároveň otevírá dveře do komunity lidí se stejným stavem, k výzkumným projektům, vývoji léčby a někdy i ke klinickým studiím.
Velký význam má diagnóza také pro plánování rodiny. Když člověk zná genetický mechanismus svého onemocnění, může spolu s odborníky posoudit možné dopady pro budoucí děti a zvážit dostupné možnosti moderní reprodukční medicíny.
U některých pacientů může přesný genetický nález vést přímo k cílené léčbě. U jiných zatím taková léčba není k dispozici. I tehdy však znalost příčiny pomáhá objasnit prognózu, lépe koordinovat péči a spojit rodinu s odborníky, pacientskými organizacemi či výzkumnými týmy, které se danou nemocí zabývají.
🔎 Co všechno obnáší ruční analýza genomu
Katherine Brownstein, vědecká ředitelka Gene Discovery Core v Manton Center, popisuje analýzu nevyřešeného případu jako systematickou, ale časově náročnou detektivní práci. Při absenci jasné odpovědi je nutné začít s otevřenou myslí a znovu zkontrolovat i známé geny. Je možné, že starší analýza něco přehlédla, nebo že se od té doby zásadně změnily vědecké poznatky.
Pokud jsou dostupná data dítěte i obou rodičů, tedy takzvané trio, lze hledat několik důležitých typů genetických změn.
- De novo varianty: změny, které nejsou přítomné ani u matky, ani u otce, ale objevily se u dítěte.
- Recesivní dědičnost: situace, kdy dítě zdědí jednu relevantní variantu od každého rodiče.
- Velké genomové změny: například delece či duplikace větších úseků DNA.
- Vzácné varianty v kandidátních genech: změny, které mohou souviset s klinickým obrazem pacienta, ale jejich význam není dosud jistý.
Je důležité zdůraznit, že genetické varianty nejsou samy o sobě výjimečné. Každý člověk nese mnoho změn v DNA a velká část z nich nemá škodlivý vliv. I delece nebo duplikace mohou být u některých lidí bez klinických následků. Rozhodující otázkou není jen to, zda varianta existuje, ale zda dokáže vysvětlit konkrétní kombinaci příznaků.
Odborník proto musí každou nadějnou variantu porovnat s populačními databázemi, ověřit její technickou kvalitu, zhodnotit pravděpodobný vliv na protein a projít vědeckou literaturu. Někdy se po několika hodinách ukáže, že hypotéza, která na začátku vypadala velmi slibně, nemůže správnou odpovědí být. Pak je třeba začít znovu s další stopou.
Právě tato opakovaná práce tvoří hlavní časovou překážku. Nejde o nedostatek odhodlání. Jde o omezenou kapacitu lidské pozornosti v prostředí, kde přibývají nové publikace, nově popsané geny a nové vazby mezi geny a projevy onemocnění.
🤖 Jak AI workflow fungoval
Výzkumný tým nepostavil systém jako automat na diagnózy. Jeho cílem bylo vytvořit nástroj pro prioritizaci hypotéz. Model dostal předzpracovaná genetická data a strukturovaný popis klinických projevů pacienta. Poté měl vytvořit stručnější seznam možných vysvětlení spolu s jasnými důkazy, které za nimi stojí.
Do systému tedy nevstupovaly celé tři miliardy bází genomu v původní podobě. Výzkumníci nejprve data zúžili na relevantnější množinu, například na tisíce až deset tisíc variant. Součástí vstupu byly také fenotypové údaje, tedy standardizované kódy popisující příznaky, například svalovou slabost nebo pokles chodidla způsobený oslabením svalů v oblasti kotníku.
Model měl hledat průnik mezi dvěma světy:
- mezi genetickými variantami přítomnými u konkrétního pacienta,
- a mezi známými nebo biologicky věrohodnými vazbami genů na určité klinické projevy.
Výstupem nebylo tvrzení typu „tento gen je příčinou nemoci“. Model místo toho připravil seznam kandidátů, obvykle dva až šest možných nálezů, s vysvětlením. U každého kandidáta mohl uvést relevantní variantu, související odbornou literaturu a argumentaci, proč daná změna odpovídá pacientovu klinickému obrazu.
Takový výstup je zásadně odlišný od neprůhledné černé skříňky. Odborník může vidět, na čem návrh stojí, ověřit uvedené publikace, posoudit genetický mechanismus a rozhodnout, zda má hypotéza smysl pro další testování. AI tak snižuje objem informací, který musí člověk ručně zpracovat, ale neodebírá mu odpovědnost za klinický závěr.
Proč bylo nutné model pečlivě nastavovat
Než tým začal hledat nové odpovědi v nevyřešených případech, testoval postup na případech, u nichž byla diagnóza již známa. Model správnou odpověď předem neznal. Tento krok umožnil zjistit, jaké chyby model dělá, a podle toho upravit instrukce.
Genomická data obsahují řadu technických nástrah, které mohou zmást i zkušené analytiky. Například je nutné posoudit dostatečnou hloubku sekvenování, aby nález nebyl jen falešně pozitivním výsledkem. Odborníci proto doplnili zadání o konkrétní pravidla a upozornění na typické chybové režimy.
Po opakovaném ladění se úspěšnost u známých případů zvýšila přibližně na 80 až 90 procent. Tím vznikl důvod věnovat výstupům modelu čas lidských odborníků i v obtížných případech, které dosavadní ruční analýza nedokázala vyřešit.
📊 Co přinesla analýza 376 případů
Výsledek studie je konkrétní: z 376 analyzovaných případů přinesl AI workflow důkazy, které vedly k 18 diagnózám vzácných onemocnění. To představuje přibližně pět procent zkoumaných případů. Pět procent může na první pohled působit jako skromné číslo. V kontextu rodin, které často čekaly roky a jejichž případy už specialisté dříve analyzovali, má však každá nová odpověď velkou váhu.
Některé diagnózy byly relativně přímočaré. Model například označil známou patogenní variantu v genu, jehož spojení s určitým fenotypem ještě nebylo známé v době původní analýzy případu. Mezitím však vědecké poznání pokročilo. To, co dříve nebylo možné rozpoznat, se najednou stalo dobře doloženým vysvětlením.
Jiné případy ukázaly ještě zajímavější potenciál. AI dokázala spojit rozptýlené poznatky z literatury a navrhnout biologicky přesvědčivou hypotézu o vztahu mezi genem a dosud nevyjasněným souborem příznaků. Tato práce není totéž co potvrzená diagnóza, ale může odborníkům ukázat cestu k dalšímu laboratornímu výzkumu.
Brownstein popsala starší nevyřešený případ zahrnující vitiligo, transpozici velkých cév a plicní hypertenzi. Model navrhl gen S1PR1. Návrh zpočátku působil překvapivě, ale následné prověření ukázalo, že existuje starší odborná práce upozorňující na možnou souvislost tohoto genu s etiologií vitiliga. Další publikace navíc pomohly spojit relevantní biologické dráhy.
Tým proto oslovil výzkumníka, který gen S1PR1 klonoval již v roce 1988 a pracoval nedaleko v Boston Children’s Hospital. Případ nyní slouží jako příklad toho, jak AI může urychlit vznik nové výzkumné hypotézy. Neznamená to, že model nahradil vědecké ověřování. Naopak, pomohl najít důvod, proč do ověřování investovat lidský čas a odborné zdroje.
🩺 Proč lidský odborník zůstává nepostradatelný
V medicíně mohou mít chybné závěry vážné důsledky. Proto je důležité neinterpretovat podobné výsledky jako důkaz, že by velký jazykový model mohl samostatně diagnostikovat pacienty. Výzkumný postup byl postaven na spolupráci mezi AI a odborníky na klinickou genetiku.
Model může rychle procházet rozsáhlou literaturu, propojovat informace a vytvářet seznam priorit. Genetik a klinický tým ale musí vyhodnotit kvalitu nálezu, jeho shodu s pacientovým stavem, další možné příčiny i to, zda je nezbytné provést doplňující testy. Teprve pak lze rozhodnout, zda je výsledek dostatečně silný pro sdělení rodině.
Alan Beggs zdůrazňuje, že podobné nástroje odborníky nenahrazují. Jejich role se naopak stává ještě důležitější. Zkušený tým musí rozumět významu genetického nálezu, vysvětlit jeho nejistoty, určit další klinické kroky a pomoci rodině přeložit složitou molekulární informaci do praktického plánu péče.
V rámci testování se navíc objevil případ, kdy model nesouhlasil s původním výkladem známého případu. Po kontrole se ukázalo, že původní interpretace byla neúplná: pacient měl současně dvě odlišné geneticky podmíněné potíže. Model zachytil oba signály, zatímco lidská analýza se předtím soustředila hlavně na jednu variantu.
Tato zkušenost ukazuje další možný přínos. V medicíně je snadné najít jeden přesvědčivý nález a předpokládat, že vysvětluje všechny příznaky. Někdy ale mohou být u jednoho člověka přítomné dva nezávislé zdravotní problémy. AI může pomoci udržet širší pohled a upozornit na nesoulad, který stojí za další prověření.
⏱️ Klíčem je možnost případy opakovaně přehodnocovat
Genom pacienta se nezmění. To, co se mění téměř každý den, je naše schopnost genomu rozumět. Přibývají publikace, objevují se nové vazby mezi geny a nemocemi, zpřesňují se databáze i klasifikace variant. Případ, který neměl odpověď před pěti nebo deseti lety, může být dnes řešitelný.
To je jeden z nejsilnějších argumentů pro použití AI v genomické medicíně. Ruční návrat k tisícům historických nevyřešených případů je pro lidské týmy velmi náročný. Automatizovaný nebo poloautomatizovaný systém by mohl případy v pravidelných intervalech znovu kontrolovat a upozornit odborníka jen tehdy, když se objeví nový, relevantní důkaz.
Výzkumník OpenAI zapojený do projektu popsal budoucí možnost jako proaktivní systém. Když nová studie přinese poznatek důležitý pro konkrétního pacienta, model by mohl připravit upozornění pro výzkumný tým. Odborníci by pak nemuseli trávit tolik času opakovaným ručním hledáním a mohli by se soustředit na případy, které vyžadují nejnáročnější úsudek a experimentální práci.
V Manton Center je zhruba 5 000 zapojených rodin a přibližně 2 000 z nich stále nemá diagnózu. I když AI pomohla najít odpověď jen u části případů, pravidelné přehodnocování může v průběhu času znamenat více odpovědí, než by bylo možné získat jednorázovou analýzou.
🧪 Celogenomové sekvenování co nejdříve
Jedna z důležitých otázek zní, zda by se dlouhé diagnostické cesty daly zkrátit tím, že by se celogenomové sekvenování používalo dříve. Alan Beggs na tuto otázku odpovídá jednoznačně: ano, časnější sekvenování může zásadně pomoci.
Cena genetického testování se v posledních letech výrazně snížila. Sekvenování celého genomu se dnes může pohybovat pod hranicí 1 000 dolarů, což je podle Beggse zlomek ceny některých běžně používaných vyšetření, například magnetické rezonance. Přesto může být dostupnost testu omezena úhradovými pravidly a přístupem zdravotnických systémů.
Existují iniciativy zaměřené na genomové sekvenování novorozenců a také na rychlé testování dětí, které vyžadují intenzivní novorozeneckou péči. V některých situacích lze genom sekvenovat a relevantní diagnózu určit během dnů až týdnů. Jednomu týmu se dokonce podařilo sekvenovat a diagnostikovat pacienta do 24 hodin.
Ne každý genomový test přinese okamžitou odpověď. Negativní výsledek ale nemusí být konečný. Data lze uložit a znovu analyzovat, až pokročí znalosti o genech, variantách a biologických mechanismech. Právě proto může mít časné sekvenování hodnotu i v případech, kde dnes nedokážeme dát definitivní vysvětlení.
Více základních informací o genetickém testování nabízí také přehled genetických testů od MedlinePlus Genetics. Konkrétní postup je vždy nutné řešit s klinickým genetikem a ošetřujícím týmem, protože vhodný typ testování závisí na příznacích, rodinné anamnéze i dostupných datech.
🔐 Přístupnost, bezpečnost dat a další překážky
Úspěšný výzkumný postup ještě automaticky neznamená dostupný klinický nástroj pro každého. Aby se podobné AI systémy mohly používat ve větším měřítku, je nutné vyřešit několik praktických podmínek.
- Ochrana citlivých genetických dat: genomická data patří mezi nejcitlivější zdravotní informace a jejich zpracování musí být bezpečné.
- Spolehlivá validace: návrhy modelu musejí projít odborným ověřením, případně doplňujícím laboratorním testováním.
- Rovný přístup: kvalitní analýza by neměla být dostupná pouze v několika špičkových terciárních centrech.
- Průběžné aktualizace: nástroj musí reagovat na nová data a nové odborné poznatky.
- Začlenění do péče: klinikové potřebují výstupy, které jsou srozumitelné, doložené a použitelné v reálném rozhodování.
Manton Center pracuje s OpenAI na nástroji, který by byl bezpečný a dostupnější širšímu okruhu odborníků. Cílem je, aby klinik či výzkumník se zkušeností s genomickou analýzou mohl znovu vyhodnotit dříve negativní případ bez nutnosti začínat od nuly a bez nadměrné časové zátěže.
Centrum zároveň umožňuje pacientům a rodinám přímé oslovení bez nutnosti tradičního doporučení. To může být důležité pro rodiny, které mají pocit, že jejich cesta systémem péče uvízla. Vždy je však vhodné kombinovat pacientskou iniciativu s konzultací kvalifikovaného klinického týmu.
🌱 Co může následovat v medicíně vzácných nemocí
Nejbližší přínos AI v genomice je zrychlení a zpřesnění stávající diagnostické práce. Model může pomoci zmenšit obrovský prostor možných variant na několik prioritních kandidátů. Díky tomu mohou odborníci věnovat více času prověření nejslibnějších možností a složitým případům, které nelze vyřešit pouze známými informacemi.
Další krok je ambicióznější. AI by mohla propojovat genetická data s úplnějšími zdravotními záznamy, laboratorními výsledky, zobrazovacími metodami a dalšími klinickými informacemi. V budoucnu by tak mohla odhalovat souvislosti mezi zdánlivě nesouvisejícími projevy, které by člověk snadno přehlédl.
Příkladem potenciálního směru je výzkum vztahů mezi změnami na oku a problémy v jiných orgánech. Takové vztahy mohou být pro lidskou pozornost obtížně zachytitelné, zejména pokud jsou rozptýlené mezi různými medicínskými obory. Pro systémy schopné pracovat s velkým objemem heterogenních dat však mohou představovat vhodný typ problému, pokud budou výsledky vždy prověřovat odborníci.
Je také realistické očekávat, že z velké části nevyřešených případů nezískáme okamžitou odpověď. V analyzované skupině zůstalo přibližně 95 procent případů bez nové potvrzené diagnózy. To není selhání technologie, ale připomínka rozsahu neznámého. Některé příčiny mohou ležet v dosud neobjevených genech, v komplexních regulačních oblastech genomu, v kombinaci více faktorů nebo v biologických mechanismech, které věda zatím neumí snadno měřit.
AI může u těchto případů přispět tím, že ze známých informací vytvoří nové, testovatelné hypotézy. Potom přichází na řadu laboratorní věda, klinické posouzení a dlouhodobá spolupráce s rodinami.
💙 Diagnóza znamená víc než výsledek testu
Největší síla této práce neleží jen v rychlejším hledání genetických variant. Leží v možnosti zkrátit období nejistoty. Pro člověka, který roky neví, proč jeho tělo funguje jinak, může přesná diagnóza znamenat úlevu, orientaci a konkrétní další kroky.
Rodina může získat vysvětlení, proč se obtíže objevily. Lékařský tým může péči přesněji zaměřit. Pacient může navázat kontakt s komunitou, dozvědět se o výzkumu nebo zjistit, zda existují klinické studie a vyvíjené terapie. V některých rodinách může genetický nález také odhalit širší zdravotní rizika, která dosud nikdo nespojil.
V Manton Center si pamatují i diagnózu, která pomohla rodině napříč třemi generacemi. Když se podařilo vysvětlit dědičný stav u člena rodiny ve věku 91 let, přineslo to pocit porozumění i po desítkách let nejasností. Takové momenty připomínají, že na odpověď nemusí být nikdy „příliš pozdě“, i když samozřejmě největší praktický přínos může mít co nejdřívější diagnóza.
Projekt z Boston Children’s Hospital ukazuje střízlivě optimistickou cestu pro AI ve zdravotnictví. Nejde o nahrazení lékařů algoritmem. Jde o vybavení odborníků nástrojem, který jim pomůže procházet vědecké poznání rychleji, hledat lepší stopy a pravidelně se vracet k případům, které dříve zůstaly bez vysvětlení.
Pro tisíce rodin čekajících na jméno své nemoci může být právě tato kombinace technologické rychlosti, lidského úsudku a vytrvalého výzkumu jednou z nejdůležitějších změn v diagnostice vzácných onemocnění. Další diskuse o průniku AI, vědy a společnosti jsou dostupné na OpenAI Forum.
