O metabolic dysfunction-associated steatotic liver disease (MASLD) é caracterizado por mais de 5,5% de gordura no fígado e é um importante fator de risco para doenças hepáticas crônicas. Apesar de ser reconhecido como uma condição poligênica, a descoberta de fatores genéticos associados à MASLD enfrentava desafios devido à complexidade e variabilidade na fenotipagem.

Neste estudo, os pesquisadores aplicaram machine learning para estimar o conteúdo de gordura no fígado utilizando três modalidades de dados do UK Biobank: DXA, metabolitos plasmáticos e medidas antropométricas e bioquímicas. As análises mostraram que cerca de 29% dos participantes atendiam aos critérios para MASLD, destacando a relevância do uso de ML na identificação de fatores genéticos.

As associações genômicas identificaram 321 loci únicos, incluindo 312 novos, ampliando significativamente o entendimento sobre a genética da acumulação de gordura no fígado. A análise de correlação genética revelou uma forte relação entre os dados derivados de ML e o diagnóstico clínico de MASLD, sugerindo que muitos dos novos loci identificados são relevantes clinicamente.

1. 29% dos participantes do UK Biobank atendem aos critérios para MASLD.

2. Identificação de 321 loci únicos associados à gordura no fígado.

3. 312 novos loci foram descobertos, expandindo a compreensão genética.

4. Fortes correlações entre dados de ML e diagnósticos clínicos.

5. DXA apresentou a maior precisão nas estimativas de gordura no fígado.

Essas descobertas têm implicações significativas para a compreensão da genética das doenças complexas, como MASLD, sugerindo que a integração de múltiplas fontes de dados e o uso de machine learning podem ser caminhos eficazes para futuras pesquisas na área de hepatologia.

- Exploração de novas abordagens para entender doenças hepáticas. - Potencial para tratamentos direcionados no futuro. - Importância da genética na saúde pública.

Essas revelações não apenas otimizam a pesquisa sobre doenças hepáticas, mas também podem direcionar o desenvolvimento de intervenções mais efetivas e personalizadas. O impacto potencial dessas descobertas destaca a necessidade de mais estudos que explorem a relação entre genética e saúde hepática.

A pesquisa representa um marco no uso de machine learning para a descoberta genética em doenças hepáticas, permitindo avanços que podem melhorar diagnóstico e tratamento. Para continuar atualizado sobre esse e outros temas relevantes, inscreva-se na nossa newsletter e receba conteúdo novo todos os dias.

FONTES:

1. UK Biobank

1. Insitro

1. The Chan Zuckerberg Initiative

1. Cold Spring Harbor Laboratory

1. Massachusetts Institute of Technology