Informacije

17.4A: Predviđanje rizika od bolesti na individualnom nivou - Biologija

17.4A: Predviđanje rizika od bolesti na individualnom nivou - Biologija


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Analiza genoma se koristi za predviđanje nivoa rizika od bolesti kod zdravih osoba.

Ciljevi učenja

  • Objasnite kako analiza genoma pojedinca može pomoći u predviđanju rizika od bolesti

Ključne točke

  • Sekvenciranje genoma može predvidjeti rizik od razvoja bolesti uzrokovanih jednim defektom gena, ali ti defekti čine samo pet posto uobičajenih bolesti.
  • Većina bolesti je poligena ili je uzrokovana faktorima okoline; sekvenciranje genoma ne može predvidjeti rizik od dobijanja ovih bolesti.
  • Sekvenciranje genoma postaje sve pouzdanije, ali mnogi naučnici i dalje postavljaju pitanje da li smanjuje rizik od smrti od određenih bolesti kao što je rak prostate.

Ključni uslovi

  • Projekat ljudskog genoma: organizirani međunarodni naučni poduhvat za utvrđivanje kompletne strukture ljudskog genetskog materijala (DNK) kako bi se identificirali svi geni i razumjela njihova funkcija
  • sekvenciranje genoma: laboratorijski proces koji određuje kompletnu sekvencu DNK genoma organizma u jednom trenutku
  • poligenski: fenotipska karakteristika kontrolirana interakcijom dva ili više gena sa okolinom

Predviđanje rizika od bolesti na individualnom nivou

Uvođenje sekvenciranja DNK i projekata sekvenciranja cijelog genoma, posebno projekta Ljudski genom, proširilo je primjenjivost informacija o sekvenci DNK. Genomika se sada koristi u širokom spektru polja, kao što su metagenomika, farmakogenomika i mitohondrijska genomika. Najčešća primjena genomike je razumijevanje i pronalaženje lijekova za bolesti.

Predviđanje rizika od bolesti uključuje skrining trenutno zdravih osoba analizom genoma na individualnom nivou. Intervencija sa promjenama načina života i lijekovima može se preporučiti prije početka bolesti. Međutim, ovaj pristup je najprimenljiviji kada se problem nalazi unutar jednog defekta gena. Takvi defekti čine samo oko pet posto bolesti u razvijenim zemljama. Većina uobičajenih bolesti, poput bolesti srca, su multifaktorne ili poligenske, što je fenotipska karakteristika koja uključuje dva ili više gena u interakciji s faktorima okoline kao što je ishrana. U aprilu 2010. naučnici sa Univerziteta Stanford objavili su analizu genoma zdrave osobe (Stephen Quake, naučnik sa Univerziteta Stanford, kome je sekvenciran genom); analiza je predvidela njegovu sklonost oboljenju od raznih bolesti. Izvršena je procjena rizika kako bi se analizirao Quakeov postotak rizika za 55 različitih medicinskih stanja. Pronađena je rijetka genetska mutacija, koja je pokazala da je u opasnosti od iznenadnog srčanog udara. Također je predviđeno da ima 23 posto rizika od razvoja raka prostate i 1,4 posto rizika od razvoja Alchajmerove bolesti. Naučnici su koristili baze podataka i nekoliko publikacija za analizu genomskih podataka. Iako genomsko sekvenciranje postaje pristupačnije, a analitički alati postaju pouzdaniji, etička pitanja koja se tiču ​​genomske analize na populacijskom nivou ostaju da se riješe.

2011. godine, Radna grupa za preventivne usluge Sjedinjenih Država preporučila je da se ne koristi PSA test za skrining zdravih muškaraca na rak prostate. Njihova preporuka je bila zasnovana na dokazima da skrining ne smanjuje rizik od smrti od raka prostate. Rak prostate se često razvija vrlo sporo i ne uzrokuje probleme, dok liječenje raka može imati ozbiljne nuspojave. Smatra se da je PCA3 test precizniji, ali skrining ipak može dovesti do toga da muškarci pate od nuspojava liječenja kojima sam rak ne bi oštetio.


Personalizirana medicina

Personalizirana medicina, koji se također naziva precizna medicina, medicinski je model koji razdvaja ljude u različite grupe – s medicinskim odlukama, praksama, intervencijama i/ili proizvodima koji su prilagođeni pojedinom pacijentu na osnovu njihovog predviđenog odgovora ili rizika od bolesti. [1] Termini personalizirana medicina, precizna medicina, stratifikovana medicina i P4 medicina se koriste naizmjenično za opisivanje ovog koncepta [1] [2] iako neki autori i organizacije koriste ove izraze odvojeno da ukažu na određene nijanse. [2]

Dok prilagođavanje liječenja pacijentima datira barem iz vremena Hipokrata, [3] ovaj izraz je u porastu u upotrebi posljednjih godina s obzirom na porast novih dijagnostičkih i informatičkih pristupa koji pružaju razumijevanje molekularne osnove bolesti, posebno genomike. . Ovo pruža jasnu bazu dokaza na osnovu koje se mogu stratificirati (grupisati) povezani pacijenti. [1] [4] [5]

Među 14 velikih izazova za inženjering, inicijativom koju sponzorira Nacionalna inženjerska akademija (NAE), personalizirana medicina je identificirana kao ključni i perspektivni pristup za „postizanje optimalnih individualnih zdravstvenih odluka“, čime se prevazilazi izazov „Inženjerski bolji lijekovi“. [6] [7]


Predviđanje poligenskog rizika od psihijatrijskih poremećaja

Genetika pruža dvije velike mogućnosti za razumijevanje ljudskih bolesti – kao transformativne linije etiološkog istraživanja i kao biomarkera za nasljedne bolesti. U psihijatriji su biomarkeri veoma potrebni i za istraživanje i za lečenje, s obzirom na heterogene populacije identifikovane trenutnim fenomenološki zasnovanim dijagnostičkim sistemima. Međutim, do danas je bilo malo korisnih i valjanih biomarkera zbog nedostupnosti i složenosti ljudskog moždanog tkiva i posljedičnog nedostatka uvida u mehanizme bolesti. Genetski biomarkeri su stoga posebno obećavajući za psihijatrijske poremećaje. Studije asocijacija na uobičajene bolesti na nivou genoma sazrele su tokom poslednje decenije, stvarajući bazu znanja za sve informativnije predviđanje genetskog rizika na individualnom nivou. U ovom pregledu razmatramo osnovne koncepte uključene u računanje genetskog rizika sa trenutnim metodama, prednostima i slabostima različitih pristupa, procjenama korisnosti i primjenama na različite psihijatrijske poremećaje i srodne osobine. Iako je predviđanje genetskog rizika postalo sve jednostavnije za primjenu i uobičajeno u objavljenim studijama, postoje važne zamke koje treba izbjegavati. Trenutno je klinička korisnost predviđanja genetskog rizika još uvijek niska, međutim, postoji značajno obećanje za buduće kliničke primjene kako se diverzitet predaka i veličina uzoraka studija asocijacija na genomu povećavaju. Raspravljamo o novim podacima i metodama koje imaju za cilj poboljšanje vrijednosti predviđanja genetskog rizika za rasplet mehanizama bolesti i stratificiranje subjekata za epidemiološke i kliničke studije. Za sve primjene, apsolutno je kritično da se poligensko predviđanje rizika primjenjuje uz odgovarajuću metodologiju i kontrolu za zbunjivanje kako bi se izbjeglo ponavljanje nekih grešaka iz ere kandidata gena.

Ključne riječi: Kompleksne osobine Nasljednost Model praga odgovornosti Poligenski rezultati rizika Populaciona genetika Precizna medicina Psihijatrijski poremećaji Psihijatrijska genetika Statistička genetika.

Copyright © 2019 Društvo biološke psihijatrije. Objavio Elsevier Inc. Sva prava zadržana.


Lekcija 3: Mjere rizika

Ključ epidemiološke analize je poređenje. Povremeno možete primijetiti stopu incidencije među populacijom koja se čini visokom i pitati se je li ona zapravo viša od onoga što bi se trebalo očekivati ​​na osnovu, recimo, stopa incidencije u drugim zajednicama. Ili, možete primijetiti da, među grupom oboljelih od epidemije, nekoliko prijavi da je jelo u određenom restoranu. Da li je restoran samo popularan ili se tamo jede više pacijenata nego što bi se očekivalo? Način da se riješi taj problem je poređenje posmatrane grupe sa drugom grupom koja predstavlja očekivani nivo.

Mjera povezanosti kvantificira odnos između izloženosti i bolesti između dvije grupe. Izloženost se slobodno koristi da znači ne samo izloženost hrani, komarcima, partneru sa spolno prenosivom bolešću ili deponiji toksičnog otpada, već i inherentne karakteristike osoba (na primjer, dob, rasa, spol), biološke karakteristike (imunološki status ), stečenih karakteristika (bračni status), aktivnosti (zanimanje, slobodne aktivnosti) ili uslova u kojima žive (socijalno-ekonomski status ili pristup medicinskoj nezi).

Mjere povezanosti opisane u sljedećem odjeljku uspoređuju pojavu bolesti među jednom grupom sa pojavom bolesti u drugoj grupi. Primjeri mjera povezivanja uključuju omjer rizika (relativni rizik), omjer stope, omjer šansi i proporcionalni omjer mortaliteta.

Omjer rizika

Definicija omjera rizika

Omjer rizika (RR), koji se također naziva relativni rizik, uspoređuje rizik od zdravstvenog događaja (bolesti, ozljede, faktora rizika ili smrti) među jednom grupom sa rizikom u drugoj grupi. To čini tako što se rizik (proporcija incidencije, stopa napada) u grupi 1 podijeli sa rizikom (proporcija incidencije, stopa napada) u grupi 2. Dvije grupe se tipično razlikuju prema demografskim faktorima kao što je spol (npr. muškarci nasuprot žena) ili izlaganjem sumnjivom faktoru rizika (npr. jeli ili ne jeli krompir salatu). Često se grupa od primarnog interesa označava kao izložena grupa, a grupa za poređenje kao neeksponirana grupa.

Metoda za izračunavanje omjera rizika

Formula za omjer rizika (RR) je:

Rizik od bolesti (proporcija incidencije, stopa napada) u grupi od primarnog interesa Rizik od bolesti (proporcija incidencije, stopa napada) u grupi poređenja

Omjer rizika od 1,0 ukazuje na identičan rizik među dvije grupe. Odnos rizika veći od 1,0 ukazuje na povećan rizik za grupu u brojiocu, obično izloženu grupu. Omjer rizika manji od 1,0 ukazuje na smanjeni rizik za izloženu grupu, što ukazuje da možda izlaganje zapravo štiti od pojave bolesti.

PRIMJERI: Izračunavanje omjera rizika

Primjer A: U izbijanju tuberkuloze među zatvorenicima u Južnoj Karolini 1999. godine, 28 od 157 zatvorenika koji žive u istočnom krilu spavaonice razvilo je tuberkulozu, u poređenju sa 4 od 137 zatvorenika koji žive u zapadnom krilu.(11) Ovi podaci su sažeti u tabelu dva po dva, takozvanu jer ima dva reda za izloženost i dvije kolone za ishod. Ovdje je opći format i notacija.

Tabela 3.12A Opšti format i notacija za tabelu dva po dva

Ill Pa Ukupno
Ukupno a + c = V1 b + d = V0 T
Izloženo a b a + b = H1
Neeksponirano c d c + d = H0

U ovom primeru, izloženost je krilo spavaonice, a ishod je tuberkuloza) ilustrovano u tabeli 3.12B. Izračunajte omjer rizika.

Tabela 3.12B Učestalost infekcije mikobakterijom tuberkuloze među okupljenim, HIV-om inficiranim zatvorenicima u zatvoru prema krilu spavaonica &mdash Južna Karolina, 1999.

Razvijena tuberkuloza?
Da br Ukupno
Ukupno 32 262 T = 294
Istočno krilo a = 28 b = 129 H1 = 157
Zapadno krilo c = 4 d = 133 H0 = 137

Izvor podataka: McLaughlin SI, Spradling P, Drociuk D, Ridzon R, Pozsik CJ, Onorato I. Ekstenzivna transmisija Mycobacterium tuberculosis među okupljenim, HIV-inficiranim zatvorenicima u zatvoru u Južnoj Karolini, Sjedinjene Države. Int J Tuberc Lung Dis 20037:665&ndash672.

Da biste izračunali omjer rizika, prvo izračunajte stopu rizika ili napada za svaku grupu. Evo formula:

Stopa napada (rizik)
Stopa napada za izložene = a &frasl a+b
Stopa napada za neeksponirane = c &frasl c+d

Rizik od tuberkuloze među stanovnicima istočnog krila = 28 &frasl 157 = 0,178 = 17,8%
Rizik od tuberkuloze među stanovnicima zapadnog krila = 4 &frasl 137 = 0,029 = 2,9%

Omjer rizika je jednostavno omjer ova dva rizika:

Tako su zatvorenici koji su boravili u istočnom krilu spavaonice imali 6,1 puta veću vjerovatnoću da obole od tuberkuloze nego oni koji su boravili u zapadnom krilu.

PRIMJERI: Izračunavanje omjera rizika (nastavak)

Primjer B: U izbijanju varičele (varičele) u Oregonu 2002. godine, varičela je dijagnostikovana kod 18 od 152 vakcinisane dece u poređenju sa 3 od 7 nevakcinisane dece. Izračunajte omjer rizika.

Tabela 3.13 Učestalost varičele među školskom djecom u 9 zahvaćenih učionica &mdash Oregon, 2002.

Varicella Ne-slučaj Ukupno
Ukupno 21 138 159
Vakcinisan a = 18 b = 134 152
Nevakcinisan c = 3 d = 4 7

Izvor podataka: Tugwell BD, Lee LE, Gillette H, Lorber EM, Hedberg K, Cieslak PR. Izbijanje vodenih kozica u visoko vakcinisanoj školskoj populaciji. Pedijatrija 2004. mart 113 (3 Pt 1): 455&ndash459.

Rizik od varičele kod vakcinisane dece = 18 &frasl 152 = 0,118 = 11,8%
Rizik od varičele kod nevakcinisane dece = 3 &frasl 7 = 0,429 = 42,9%

Omjer rizika = 0,118 &frasl 0,429 = 0,28

Omjer rizika je manji od 1,0, što ukazuje na smanjeni rizik ili zaštitni učinak za izloženu (cijepljenu) djecu. Odnos rizika od 0,28 pokazuje da su vakcinisana deca imala samo približno jednu četvrtinu verovatnoće (28%) da će razviti varičelu kao i nevakcinisana deca.

Rate ratio

Omjer stopa upoređuje stope incidencije, stope osoba-vrijeme ili stope mortaliteta dvije grupe. Kao i kod omjera rizika, dvije grupe se tipično razlikuju prema demografskim faktorima ili prema izloženosti sumnjivom uzročniku. Stopa za grupu primarnog interesa podijeljena je sa stopom za grupu poređenja.

Stopa za grupu primarnog interesa Stopa za grupu poređenja

Tumačenje vrijednosti omjera stopa je slično onom omjera rizika. Odnosno, omjer stopa od 1,0 ukazuje na jednake stope u dvije grupe, omjer stopa veći od 1,0 ukazuje na povećani rizik za grupu u brojiocu, a omjer stopa manji od 1,0 ukazuje na smanjeni rizik za grupu u brojiocu .

PRIMJER: Izračunavanje omjera stopa (nastavak)

Zvaničnici javnog zdravlja pozvani su da istraže uočeni porast posjeta brodovima i ambulantama zbog akutne respiratorne bolesti (ARI) od strane putnika s kruzera na Aljasci 1998. (13) Zvaničnici su upoređivali posjete putnika brodskim ambulantama za ARI tokom maja i avgusta 1998. sa istim periodom 1997. godine. Zabilježili su 11,6 posjeta za ARI na 1.000 turista sedmično u 1998. godini, u poređenju sa 5,3 posjeta na 1.000 turista sedmično po stopi77 u 19. odnos.

Putnici na kruzerima na Aljasci tokom maja i avgusta 1998. imali su više nego dvostruko veće šanse da posete svoje brodove&rsquo ambulante za ARI nego putnici 1997. (Napomena: Od 58 virusnih izolata identifikovanih iz nazalnih kultura putnika, većina je bila gripa A, zbog čega je ovo najveća letnja epidemija gripa u Severnoj Americi.)

Vježba 3.7

Tabela 3.14 ilustruje stope smrtnosti od raka pluća za osobe koje su nastavile pušiti i za pušače koji su prestali pušiti u vrijeme praćenja u jednoj od klasičnih studija pušenja i raka pluća sprovedenih u Velikoj Britaniji.

Koristeći podatke u tabeli 3.14, izračunajte sljedeće:

  1. Odnos stopa upoređivanja sadašnjih pušača i nepušača
  2. Omjer stopa upoređivanja bivših pušača koji su prestali prije najmanje 20 godina sa nepušačima
  3. Koje su implikacije ovih nalaza na javno zdravlje?

Tabela 3.14 Broj i stopa (na 1.000 osoba-godina) smrtnih slučajeva od raka pluća za trenutne pušače i bivše pušače prema godinama od prestanka pušenja, studija kohorte liječnika &mdash Velika Britanija, 1951.&ndash1961.

Izvor podataka: Doll R, Hill AB. Smrtnost u vezi sa pušenjem: 10 godina&rsquo posmatranja britanskih doktora. Brit Med J 1964 1:1399&ndash1410, 1460&ndash1467.

Odnos kvota

Odnos šanse (OR) je još jedna mjera povezanosti koja kvantificira odnos između izloženosti s dvije kategorije i zdravstvenog ishoda. Pozivajući se na četiri ćelije u tabeli 3.15, omjer šanse se izračunava kao

a = broj izloženih osoba i oboljelih
b = broj izloženih osoba, ali bez bolesti
c = broj osoba koje nisu bile izložene, ali imaju bolest
d = broj neizloženih osoba: i bez bolesti
a+c = ukupan broj oboljelih (slučaj-pacijenata)
b+d = ukupan broj osoba bez bolesti (kontrole)

Odnos šanse se ponekad naziva omjer unakrsnih proizvoda jer se brojilac zasniva na množenju vrijednosti u ćeliji &ldquoa&rdquo puta vrijednosti u ćeliji &ldquod,&rdquo dok je imenilac proizvod ćelije &ldquob&rdquo i ćelije &ldquoc.&rdquo Linija od ćelije &ldquoa&rdquo za drugu ćeliju i broj za drugu ćeliju ćelija &ldquob&rdquo do ćelije &ldquoc&rdquo (za nazivnik) stvara x ili križ na tablici dva po dva.

Tabela 3.15 Izloženost i bolesti u hipotetičkoj populaciji od 10.000 osoba

Bolest No Disease Ukupno Rizik
Ukupno 180 9,820 10,000
Izloženo a = 100 b = 1.900 2,000 5.0%
Nije izloženo c = 80 d = 7,920 8,000 1.0%

PRIMJER: Izračunavanje omjera šansi

Koristite podatke u tabeli 3.15 za izračunavanje omjera rizika i šansi.

Primijetite da je omjer šansi od 5,2 blizu omjera rizika od 5,0. To je jedna od atraktivnih karakteristika omjera šansi &mdash kada je zdravstveni ishod neuobičajen, omjer izgleda daje razumnu aproksimaciju omjera rizika. Još jedna atraktivna karakteristika je da se omjer šansi može izračunati na osnovu podataka iz studije slučaj-kontrola, dok se ni omjer rizika ni omjer stope ne mogu izračunati.

U studiju slučaj-kontrola, istraživači upisuju grupu pacijenata sa slučajevima (raspoređenih u ćelije a i c tabele dva po dva) i grupu ne-slučajeva ili kontrola (raspoređenih u ćelije b i d).

Odnos šanse je mjera izbora u studiji slučaj-kontrola (vidi lekciju 1). Studija kontrole slučaja zasniva se na uključivanju grupe osoba sa bolešću (&ldquocase-pacijenti&rdquo) i uporedive grupe bez bolesti (&ldquocontrols&rdquo). O broju osoba u kontrolnoj grupi obično odlučuje istražitelj. Često nije poznata veličina populacije iz koje su dolazili oboljeli. Kao rezultat toga, rizici, stope, omjeri rizika ili omjeri stopa ne mogu se izračunati iz tipične studije slučaj-kontrola. Međutim, možete izračunati omjer šanse i protumačiti ga kao aproksimaciju omjera rizika, posebno kada je bolest neuobičajena u populaciji.

Vježba 3.8

Izračunajte omjer izgleda za podatke o tuberkulozi u tabeli 3.12. Da li biste rekli da je vaš omjer šansi tačna aproksimacija omjera rizika? (Savjet: Što je bolest češća, to je omjer šansi udaljeniji od omjera rizika.)


Efekti društvene strukture i upravljanja na rizik od nastanka bolesti kod divljih svinja

  1. Heterogenost kontakata među domaćinima određuje invaziju i dinamiku širenja zarazne bolesti, tako da je njena karakterizacija ključna za identifikaciju efikasnih strategija kontrole bolesti. Ipak, malo se zna o faktorima koji oblikuju kontaktne mreže kod mnogih vrsta divljih životinja i kako akcije upravljanja divljim životinjama mogu utjecati na kontaktne mreže.
  2. Divlje svinje u Sjevernoj Americi su invazivna, društveno strukturirana vrsta koja predstavlja zabrinutost za zdravlje domaćih svinja s obzirom na njihovu sposobnost da prenose brojne razorne bolesti poput afričke svinjske kuge (ASF). Koristeći proximity loggere i GPS podatke od 48 divljih svinja na Floridi i Južnoj Karolini, SAD, koristili smo vjerojatnosni okvir za procjenu ponderisanih kontaktnih mreža. Odredili smo efekte spola, društvene grupe i prostorne distribucije (mjesečno preklapanje domaćeg dometa i udaljenost) na kontakt divljih svinja. Također smo procijenili uticaje perturbacija izazvanih upravljanjem na kontakt i zaključili njihove efekte na uspostavljanje AKS kod divljih svinja uz simulaciju.
  3. Članstvo u društvenim grupama bilo je primarni faktor koji je uticao na kontakte. Kontakti između grupa prvenstveno su ovisili o karakteristikama korištenja prostora, s manje kontakata među grupama razdvojenim za >2 km i bez kontakata među grupama >4 km međusobno udaljenim unutar mjesec dana.
  4. Modeliranje dinamike ASF-a na kontaktnoj mreži pokazalo je da indirektni kontakti koji su rezultat mamljenja (tipična metoda privlačenja divljih svinja ili vrsta divljači na mjesto radi poboljšanja rekreativnog lova) povećavaju rizik od nastanka bolesti


Podaci o autoru

Pripadnosti

Globalni zdravstveni program, Smithsonian Conservation Biology Institute, Washington DC, SAD

James M. Hassell & Dawn Zimmerman

Odjel za epidemiologiju mikrobnih bolesti, Yale School of Public Health, New Haven, CT, SAD

James M. Hassell & Dawn Zimmerman

Centar za biodiverzitet i istraživanje životne sredine (CBER), Odsjek za genetiku, evoluciju i okoliš, University College London, London, UK

Tim Newbold & Lydia H. V. Franklinos

Odsjek za ekologiju i evolucijsku biologiju, Univerzitet Princeton, Princeton, NJ, SAD

Institut Santa Fe, Santa Fe, NM, SAD

Walter Reed Biosystematics Unit (WRBU), Smithsonian Institution Museum Support Center, Suitland, MD, SAD

Odsjek za entomologiju, Smithsonian National Museum of Natural History, Washington DC, SAD

Walter Reed Army Institute of Research (WRAIR), Silver Spring, MD, SAD

Laboratorija za ekologiju morskih bolesti, Smithsonian Centar za istraživanje okoliša, Edgewater, MD, SAD

Katrina M. Pagenkopp Lohan

Takođe možete tražiti ovog autora u PubMed Google Scholar-u

Takođe možete tražiti ovog autora u PubMed Google Scholar-u

Takođe možete tražiti ovog autora u PubMed Google Scholar-u

Takođe možete tražiti ovog autora u PubMed Google Scholar-u

Takođe možete tražiti ovog autora u PubMed Google Scholar-u

Takođe možete tražiti ovog autora u PubMed Google Scholar-u

Takođe možete tražiti ovog autora u PubMed Google Scholar-u

Doprinosi

J.M.H. konceptualizirao strukturu i sadržaj rukopisa i napisao početni nacrt. J.M.H., T.N., A.P.D., Y.-M.L., L.V.H.F., D.Z. i K.M.P.L. proširio ideje sadržane u ovom početnom nacrtu i uključio se u raspravu i uređivanje konačnog rukopisa.

Dopisni autor


Jedan odgovor na &ldquoThe Science of Infectious Disease Modeling&rdquo

Rick Cordasco kaže:

Upućujem autora na:
“Istraživačka analiza podataka”
Autor John W. Tukey.

Mogao bih krenuti na “Modeliranje” i “Simulacije”, i naravno “Emulaciju”, ali mislim da bi to bilo uzaludno.


Korištenje AI za predviđanje raka dojke i personaliziranje njege

Uprkos velikom napretku u genetici i modernom imidžingu, dijagnoza zateče većinu pacijenata sa rakom dojke. Za neke to dođe prekasno. Kasnija dijagnoza znači agresivne tretmane, neizvjesne ishode i više medicinskih troškova. Kao rezultat toga, identifikacija pacijenata je centralni stub istraživanja raka dojke i efikasnog ranog otkrivanja.

Imajući to na umu, tim iz Laboratorije za kompjuterske nauke i umjetnu inteligenciju MIT-a (CSAIL) i Opće bolnice u Massachusettsu (MGH) kreirao je novi model dubokog učenja koji može predvidjeti na osnovu mamografije da li će pacijentica vjerovatno razviti rak dojke kao pet godina u budućnosti. Obučen na mamografiji i poznatim rezultatima od preko 60.000 MGH pacijenata, model je naučio suptilne obrasce u tkivu dojke koji su prethodnici malignih tumora.

Profesorka MIT-a Regina Barzilay, koja je i sama preživjela rak dojke, kaže da se nadamo da će sistemi poput ovih omogućiti ljekarima da prilagode programe skrininga i prevencije na individualnom nivou, čineći kasnu dijagnozu reliktom prošlosti.

Iako se pokazalo da mamografija smanjuje smrtnost od raka dojke, nastavlja se debata o tome koliko često i kada početi. Dok Američko udruženje za borbu protiv raka preporučuje godišnji skrining počevši od 45. godine, američka Preventivna radna grupa preporučuje skrining svake dvije godine počevši od 50. godine.

"Umjesto da zauzmemo pristup koji odgovara svima, možemo personalizirati skrining u skladu sa rizikom od razvoja raka kod žena", kaže Barzilay, stariji autor novog rada o projektu koji je objavljen danas u Radiologija. “Na primjer, doktor bi mogao preporučiti da jedna grupa žena ide na mamograf svake druge godine, dok bi druga grupa sa većim rizikom mogla dobiti dodatni MR skrining.” Barzilay je profesor Delta elektronike na CSAIL-u i Odsjeku za elektrotehniku ​​i računarstvo na MIT-u i član Koch instituta za integrativno istraživanje raka na MIT-u.

Model tima bio je znatno bolji u predviđanju rizika od postojećih pristupa: precizno je svrstao 31 posto svih pacijenata oboljelih od raka u kategoriju najvećeg rizika, u poređenju sa samo 18 posto za tradicionalne modele.

Profesorica s Harvarda Constance Lehman kaže da je ranije u medicinskoj zajednici postojala minimalna podrška za strategije skrininga koje su zasnovane na riziku, a ne na dobi.

„To je zato što prije nismo imali tačne alate za procjenu rizika koji su radili za pojedine žene“, kaže Lehman, profesor radiologije na Harvard Medical School i šef odjela za snimanje dojki u MGH. “Naš rad je prvi koji pokazuje da je to moguće.”

Barzilay i Lehman su napisali rad zajedno sa glavnim autorom Adamom Yalom, studentom doktorskih studija CSAIL-a. Ostali koautori MIT-a su doktorand Tal Schuster i bivša studentica master studija Tally Portnoi.

Kako radi

Od prvog modela rizika od raka dojke iz 1989. godine, razvoj je uglavnom bio vođen ljudskim znanjem i intuicijom o tome koji bi glavni faktori rizika mogli biti, kao što su starost, porodična istorija raka dojke i jajnika, hormonski i reproduktivni faktori i gustina grudi.

Međutim, većina ovih markera je samo u slaboj korelaciji s rakom dojke. Kao rezultat toga, takvi modeli još uvijek nisu baš precizni na individualnom nivou, a mnoge organizacije i dalje smatraju da programi skrininga zasnovani na riziku nisu mogući, s obzirom na ta ograničenja.

Umjesto da ručno identifikuje obrasce u mamografu koji pokreću budući karcinom, MIT/MGH tim je obučio model dubokog učenja da izvede obrasce direktno iz podataka. Koristeći informacije s više od 90.000 mamografa, model je otkrio obrasce koji su suviše suptilni da bi ih ljudsko oko moglo otkriti.

“Još od 1960-ih radiolozi su primijetili da žene imaju jedinstvene i široko varijabilne uzorke tkiva dojke vidljive na mamografu”, kaže Lehman. “Ovi obrasci mogu predstavljati utjecaj genetike, hormona, trudnoće, dojenja, prehrane, gubitka težine i debljanja. Sada možemo iskoristiti ove detaljne informacije kako bismo bili precizniji u našoj procjeni rizika na individualnom nivou.”

Učiniti otkrivanje raka pravednijim

Projekat takođe ima za cilj da učini procenu rizika preciznijom, posebno za rasne manjine. Mnogi rani modeli razvijeni su na bijeloj populaciji i bili su mnogo manje precizni za druge rase. U međuvremenu, MIT/MGH model je podjednako precizan za bijele i crne žene. Ovo je posebno važno s obzirom na to da se pokazalo da crne žene imaju 42 posto veće šanse da umru od raka dojke zbog širokog spektra faktora koji mogu uključivati ​​razlike u otkrivanju i pristupu zdravstvenoj zaštiti.

„Posebno je upečatljivo da model jednako dobro funkcioniše i za belce i za crnce, što nije bio slučaj sa prethodnim alatima“, kaže Allison Kurian, vanredni profesor medicine i zdravstvenih istraživanja/politike na Medicinskom fakultetu Univerziteta Stanford. “Ako se potvrdi i učini dostupnim za široku upotrebu, ovo bi zaista moglo poboljšati naše trenutne strategije za procjenu rizika.”

Barzilay kaže da bi njihov sistem jednog dana mogao omogućiti ljekarima da koriste mamografe kako bi vidjeli da li su pacijenti u većem riziku od drugih zdravstvenih problema, poput kardiovaskularnih bolesti ili drugih karcinoma. Istraživači su željni primijeniti modele na druge bolesti i oboljenja, a posebno na one sa manje efikasnim modelima rizika, poput raka gušterače.

„Naš cilj je da ove napretke učinimo dijelom standarda nege“, kaže Yala. “Predviđanjem ko će razviti rak u budućnosti, nadamo se da možemo spasiti živote i dobiti rak prije nego što se simptomi ikada pojave.”


Biološki putevi do psihopatologije

Ahmad R. Hariri, PhD, profesor je psihologije i neuronauke na Univerzitetu Duke, gdje je također istraživač u Institutu za nauke o genomu i politiku. Program istraživanja dr. Haririja obuhvata magnetnu rezonancu, pozitronsku emisionu tomografiju, farmakologiju i molekularnu genetiku. Kroz integraciju komplementarnih tehnologija istraživanje dr. Haririja je počelo da rasvjetljava neurobiološke mehanizme koji posreduju individualnim razlikama u složenim osobinama ponašanja. Ovaj rad predstavlja kritičnu osnovu za identifikaciju markera rizika koji stupaju u interakciju sa jedinstvenim faktorima okoline za predviđanje neuropsihijatrijskih poremećaja, kao i za razvoj efikasnijih i individualno prilagođenih tretmana za te iste poremećaje. Nalazi iz programa istraživanja dr. Haririja objavljeni su u Science, Nature, Nature Neuroscience, Journal of Neuroscience, Archives of General Psychiatry, Biological Psychiatry, Trends in Cognitive Sciences i Annual Review of Neuroscience. U avgustu 2009. godine, doprinos dr. Haririja nauci o individualnim razlikama prepoznato je od strane Američkog udruženja psihologa koje mu je uručilo nagradu Distinguished Scientific Award za rani doprinos u karijeri.

Individualne razlike u afektu osobina, ličnosti i temperamentu kritične su u oblikovanju složenih ljudskih ponašanja, poput onih uključenih u uspješno kretanje kroz društvene interakcije i prevladavanje izazova iz okruženja koje se stalno mijenja. Takve individualne razlike mogu poslužiti i kao važni prediktori ranjivosti na neuropsihijatrijske poremećaje, uključujući depresiju, anksioznost i ovisnost, posebno nakon izlaganja nepovoljnom okruženju. U skladu s tim, identificiranje bioloških mehanizama koji dovode do ovih razlika može pružiti jedinstvenu priliku za razvoj dubljeg razumijevanja složenog ljudskog ponašanja, odgovornosti za bolesti i liječenja. Nakon što su uspostavili niz neuronskih procesa koji podržavaju složene procese ponašanja, ljudske neuroimaging studije, posebno one koje koriste BOLD fMRI, sada su počele da otkrivaju neuronske supstrate međuindividualne varijabilnosti u ovim i srodnim konstrukcijama. Štaviše, nedavne studije su utvrdile da BOLD fMRI mjere predstavljaju vremenski stabilne i pouzdane indekse moždane funkcije. Stoga se, slično kao i njihovi bihevioralni kolege, sve više smatra da takvi obrasci moždane aktivacije predstavljaju trajni fenomen nalik osobinama, koji sam po sebi može poslužiti kao važni markeri individualnih razlika povezanih sa sklonošću bolesti i patofiziologijom.

Kako studije neuroimadžinga nastavljaju da ilustriraju prediktivnu vezu između regionalne aktivacije mozga i ponašanja sličnih osobinama (npr. povećana reaktivnost amigdale predviđa anksioznost osobina), važan sljedeći korak je sistematsko identificiranje temeljnih mehanizama koji pokreću varijabilnost u funkciji moždanog kola. S tim u vezi, nedavne studije neuroimaginga koje koriste paradigme farmakoloških izazova, uglavnom usmjerene na monoaminsku neurotransmisiju, otkrile su da čak i suptilne promjene u dopaminergičkoj, noradrenergičkoj i serotonergičkoj signalizaciji mogu imati dubok utjecaj na funkcionalni odgovor moždanih krugova koji podržavaju afekt, ličnost i temperament. Slično, multimodalni pristupi neuroimaginga pružili su dokaze za usmjereno specifične odnose između ključnih komponenti monoaminergičkih signalnih kaskada, procijenjenih pomoću radiotracer PET, i funkcije mozga, procijenjene BOLD fMRI. Zajedno, neuroimaging farmakoloških izazova i multimodalni PET/fMRI otkrivaju kako se varijabilnost u aktivaciji mozga relevantnoj za ponašanje pojavljuje kao funkcija osnovne varijabilnosti ključnih signalnih puteva mozga (npr. povećana signalizacija serotonina koja predviđa povećanu reaktivnost amigdale). Jedan od ključnih sljedećih koraka je identificiranje izvora inter-individualne varijabilnosti u ovim ključnim neurohemijskim signalnim mehanizmima.

U modernoj eri ljudske molekularne genetike, ovaj korak uključuje identifikaciju uobičajenih varijacija u genima koji utiču na funkcionisanje ili dostupnost komponenti u ovim putevima. Kako varijacija sekvence DNK među pojedincima predstavlja krajnji izvor varijabilnosti u nastalim molekularnim, neurobiološkim i srodnim bihevioralnim procesima, razumijevanje odnosa između gena, mozga i ponašanja važno je za uspostavljanje mehaničke osnove za individualne razlike u ponašanju i srodne psihijatrijske bolesti. Štaviše, takvi genetski polimorfizmi mogu se lako identificirati iz DNK prikupljene putem stanica iz pojedinačnih uzoraka krvi ili čak sline koristeći relativno dobro podnošljive, jeftine i standardizirane laboratorijske protokole. Jednom sakupljena i izolirana, DNK pojedinca može se više puta umnožavati dajući gotovo beskonačan rezervoar materijala za genotipizaciju dodatnih polimorfizama kandidata kako se identificiraju. Kada se jasno utvrde precizne kaskade srodnih neurobioloških i bihejvioralnih efekata, uobičajeni polimorfizmi mogu postati moćni, lako dostupni prediktivni markeri takvih emergentnih svojstava. U liječničkim ordinacijama mogu se prikupiti uzorci DNK od svih, čak i od novorođenčadi, a genetski testovi koštaju samo desetine dolara po uzorku u poređenju sa stotinama, pa čak i hiljadama potrebnim za fMRI, PET i studije lijekova. Naravno, postizanje ove krajnje redukcije zahtijeva intenzivne i ekspanzivne napore u kojima se sve ove tehnologije, kao i epidemiološke i kliničke studije, prvo dovode u vezu s objašnjavanjem detaljnih bioloških mehanizama koji posreduju u individualnim razlikama u ponašanju osobina i srodnim riziku za neuropsihijatrijske bolesti.

U posljednjih pet godina napravljen je značajan napredak u opisivanju doprinosa višestrukih uobičajenih genetskih polimorfizama individualnim razlikama u složenim fenotipovima ponašanja i sklonosti bolestima – posebno identifikacijom efekata funkcionalne genetske varijacije na neuronske procese koji posreduju u bihevioralnim odgovorima na ekološki izazov (Caspi & Moffitt, 2006 Hariri & Holmes, 2006). Potencijal ovog pristupa je naglašen nedavnim studijama koje pokazuju kako uobičajeni polimorfizmi koji utječu na hemiju mozga ometaju moždane sklopove koji pomažu u oblikovanju individualnih razlika u ponašanju kao što su temperamentna anksioznost i impulzivnost (Slika 1). Uz povećanu upotrebu i kontinuiranu ekspanziju, svaki nivo analize u ovoj integrativnoj strategiji – funkcija moždanog kola, kaskade neuronske signalizacije i molekularna genetika – također ima potencijal da jedinstveno osvijetli klinički relevantne informacije koje se mogu koristiti u nastojanjima da se osmisle individualno prilagođeni režimi liječenja i uspostave prediktivni markeri bolesti. Tri specifična primjera, sažeta u tabeli 1, ilustruju efikasnost ove integrisane strategije za analizu bioloških mehanizama koji posreduju u individualnim razlikama u složenim ponašanjima. U svakom od njih, subjekti su retrospektivno genotipizirani za funkcionalne polimorfizme kandidata od interesa iz pohranjenih uzoraka DNK i ove informacije su korištene za grupiranje subjekata na osnovu njihovih individualnih genotipova. Značajno je da su procene ponašanja u sva tri primera sprovedene kao komponenta većeg roditeljskog protokola koji je prethodio merenju regionalne funkcije mozga u vezi sa zadatkom pomoću BOLD fMRI u prosečnom intervalu od 29 nedelja. The fact that robust brain-behavior correlations were observed despite the separation in time is consistent with the suggestion that both metrics (i.e., brain function and behavior) are remarkably stable, possibly indicative of trait-related variation. Such a relation further underscores the likelihood that inter-individual variability in brain-behavior associations are influenced by functional genetic polymorphisms.

Slika 1. Integration of complementary technologies can be used to reveal the neurobiology of individual differences in complex behavioral traits. a. Individual differences in personality and temperament are critical in shaping complex human behaviors and may serve as important predictors of vulnerability to neuropsychiatric disorders. b. Neuroimaging technologies, especially BOLD fMRI, can identify relationships between variability in brain circuit function and individual differences in personality and temperament. c. Multimodal PET/fMRI (or pharmacological fMRI) can map individual differences in behaviorally relevant brain circuit function to variability in specific molecular signaling pathways. d. Variability in specific molecular signaling pathways can be mapped to functional genetic polymorphisms which inform their ultimate biological origins and can be used to efficiently model how such emergent variability impacts behaviorally relevant brain function. e. Each level of analysis can potentially inform clinically relevant issues, provide guiding principles for the development of more effective and personalized treatment options and represent predictive risk markers that interact with unique environmental factors to precipitate disease.

Note: data are created for illustration only. Measures of brain circuit function could be derived from fMRI, EEG, MEG. Those for molecular signaling could be derived from PET or Drug Challenge studies.

As detailed in the three studies summarized in Table 1, neuroimaging technologies, especially BOLD fMRI, have begun to identify how variability in the neural substrates underlying information processing contribute to emergent individual differences in stable and enduring aspects of human behaviors such as personality and temperament. In parallel, the application of pharmacological fMRI and multimodal PET/fMRI is improving our understanding of how variability in specific molecular signaling pathways influences individual differences in the function of these behaviorally relevant brain circuitries. Moreover, information on DNA sequence variation in humans (and related identification of functional genetic polymorphisms) is now being utilized to understand the biological origins of variability in component processes of molecular signaling pathways. Furthermore, this information is being used to efficiently model how such emergent variability impacts behaviorally relevant brain function. Such efforts have the potential to inform clinically relevant issues and provide guiding principles for the development of more effective and individually tailored treatment regimes. In addition, mechanisms that have been elucidated, especially those mapped to functional genetic polymorphisms, can lead to identification of predictive risk markers that interact with unique environmental factors to precipitate disease.

Tabela 1. Summary of studies linking individual differences in complex behavioral traits with underlying variability in brain circuit function, molecular signaling pathways and functional genetic polymorphisms.

Abbreviations: 5-HT – serotonin DA – dopamine eCB – endocannabinoid HTR1A – serotonin 1A receptor gene DAT1 – dopamine transporter polymorphism FAAH – fatty acid amide hydrolase gene.

While the three examples highlighted here are evidence for the potential of this integrated research strategy, much work is left to be done. First, to allow for tractable experimental designs and testable hypotheses in existing samples, the studies highlighted above have focused on the effects of a single signaling pathway on behaviorally relevant brain circuitry. Of course, it is very clear there are numerous complex interactions between signaling pathways and that more than one pathway contributes to the regulation of any brain circuitry. However, existing studies lack the power and sophistication to model such complex interactions while effectively controlling for other important modulatory factors (e.g., age, sex) in the context of BOLD fMRI, pharmacological MRI or multimodal PET/fMRI protocols. To do so, we must aggressively expand the scale and scope of our studies to include hundreds and, preferably, thousands of subjects.

A second important consideration is that existing studies have been largely conducted in small ethnically and racially homogenous populations. Thus, the observed effects may not generalize to other populations. The potential effect of any single genetic variant on a complex biological and behavioral phenotype is likely small against the background of the approximately 20,000-25,000 human genes and the multitude of other neurobiologically relevant functional variants they likely harbor. Thus, it is important to explicitly test the independence of functional polymorphisms through rigorous statistical modeling in larger samples and also to test the validity of any associations derived in one sample population (e.g., Caucasian) to populations with different genetic backgrounds (e.g., Asian or African).

A third important consideration for the future of this research is the need to conduct large-scale prospective studies beginning in childhood to determine any developmental shifts in neurogenetic pathways mediating individual differences in behavior as well as their predictive utility in identifying neuropsychiatric disease risk as a function of environmental or other stressors. All of the studies described above and most of the studies available in the literature as a whole have been conducted in adults carefully screened for the absence of psychopathology. Because of this, these findings identify mechanisms contributing to variability in the normative range of behavior only. As such, the utility of these neural, molecular or genetic markers in predicting vulnerability to neuropsychiatric disorder is unclear. Such predictive utility is ideally tested through prospective studies beginning with premorbid populations that account for the moderating effects of environmental stress in the emergence of clinical disorder over time (Caspi & Moffitt, 2006 Viding, Williamson, & Hariri, 2006).

Finally, there is tremendous potential in developing large databases (again preferably thousands of subjects) with detailed measures of behavioral traits, neuroimaging based measures of multiple brain circuitries, and extensive genotyping. One of the most exciting applications of molecular genetics is in identifying novel biological pathways contributing to the emergence of complex traits (Gibson & Goldstein, 2007 McCarthy et al., 2008). The continued refinement of a detailed map of sequence variation across the entire human genome (i.e., single nucleotide polymorphisms [SNPs] that “tag” every gene) and production of technologies supporting cost-efficient identification of such variation have dramatically accelerated the discovery of genes involved in the emergence of complex disease processes (Fellay et al., 2007 Link et al., 2008) as well as normal variability in continuous traits (Lettre et al., 2008). Many of the genes identified in such studies have illuminated novel pathways not previously implicated in these processes or traits, spurring intensive efforts to understand the potential biological effects of the proteins produced by these genes. As such, these “genome-wide” screens represent an opportunity to leap forward beyond the available pool of candidate molecules and pathways in parsing the mechanisms of complex biological processes. Because neuroimaging based measures of brain function reveal key mechanisms involved in the emergence of individual differences in behavioral traits and are closer to the biological effects of functional genetic polymorphisms, they are ideal substrates for genome-wide screens. For example, BOLD fMRI estimates of amygdala reactivity predicting variability in temperamental anxiety can be used as the continuous trait in a genome-wide screen. Any significant associations that emerge between genetic variation and amygdala reactivity may confirm existing relations (e.g., the importance of genes biasing 5-HT signaling) or, perhaps more importantly, reveal unexpected candidate molecules or pathways (e.g., a gene producing a molecule that is expressed in the brain and may function in second-messenger signaling cascades). Once identified and, ideally, replicated in large-scale databases that effectively address confounds common to genome-wide screens (e.g., controlling for multiple comparisons resulting from testing the association of a phenotype with hundreds of thousands or millions of SNPs), the impact of variation in novel genes associated with amygdala reactivity can be explored at each level of the biological cascade leading to trait anxiety (i.e., be fed back into the discovery loop outlined in Figure 1). In addition to exponentially improving our understanding of neurobiological pathways leading to individual differences in complex behavioral traits these efforts may lead to the discovery of novel therapeutic strategies targeting related disease processes.

In summary, ongoing efforts are beginning to shed light on detailed mechanisms that mediate individual differences in complex behavioral traits and, potentially, related neuropsychiatric diseases. Elaboration of these mechanisms at the level of brain circuit function, molecular signaling pathways and functional genetic polymorphisms could one day inform clinically relevant issues and provide guiding principles for the development of more effective and individually tailored treatment regimes. In addition, an understanding of such mechanisms, especially those mapped to functional genetic polymorphisms, may lead to identification of predictive risk markers that interact with unique environmental factors to predict disease risk.

Adapted, with permission, from the Annual Review of Neuroscience, Volume 32 (c) 2009 by Annual Reviews. www.annualreviews.org

Caspi, A., & Moffitt, T. E. (2006). Gene-environment interactions in psychiatry: joining forces with neuroscience. Nature Reviews Neuroscience, 7(7), 583-590.

Fakra, E., Hyde, L. W., Gorka, A., Fisher, P. M., Muñoz, K. E., Kimak, M., Halder, I., Ferrell, R. E., Manuck, S. B., & Hariri , A.R. (2009) Effects of HTR1A C(-1019)G on amygdala reactivity and trait anxiety. Arhiv za opštu psihijatriju . 66(1):33-40.

Fellay, J., Shianna, K. V., Ge, D., Colombo, S., Ledergerber, B., Weale, M., et al. (2007). A whole-genome association study of major determinants for host control of HIV-1. Nauka, 317( 5840), 944-947.

Gibson, G., & Goldstein, D. B. (2007). Human genetics: the hidden text of genome-wide associations. Current Biology, 17(21), R929-932.

Hariri, A. R., & Holmes, A. (2006). Genetics of emotional regulation: the role of the serotonin transporter in neural function. Trendovi u kognitivnim naukama, 10(4), 182-191.

Lettre, G., Jackson, A. U., Gieger, C., Schumacher, F. R., Berndt, S. I., Sanna, S., et al. (2008). Identification of ten loci associated with height highlights new biological pathways in human growth. Nature Genetics, 40(5), 584-591.

Link, E., Parish, S., Armitage, J., Bowman, L., Heath, S., Matsuda, F., et al. (2008). SLCO1B1 variants and statin-induced myopathy--a genomewide study. New England Journal of Medicine, 359(8), 789-799.

McCarthy, M. I., Abecasis, G. R., Cardon, L. R., Goldstein, D. B., Little, J., Ioannidis, J. P., et al. (2008). Genome-wide association studies for complex traits: consensus, uncertainty and challenges. Nature Reviews Genetics, 9(5), 356-369.

Viding, E., Williamson, D. E., & Hariri, A. R. (2006). Developmental imaging genetics: challenges and promises for translational research. Development and Psychopathology, 18(3), 877-892.


New model for infectious disease could better predict future pandemics

Increased human-animal interactions lead to the emergence and spread of zoonotic pathogens, which cause about 75% of infectious diseases affecting human health. In this photograph, wild zebras graze alongside a pastoralist and cows in Kenya. Credit: James Hassell/Smithsonian

In the midst of a devastating global pandemic of wildlife origin and with future spillovers imminent as humans continue to come into closer contact with wildlife, infectious-disease models that consider the full ecological and anthropological contexts of disease transmission are critical to the health of all life. Existing models are limited in their ability to predict disease emergence, since they rarely consider the dynamics of the hosts and ecosystems from which pandemics emerge.

Published May 17 in Nature Ecology and Evolution, Smithsonian scientists and partners provide a framework for a new approach to modeling infectious diseases. It adapts established methods developed to study the planet's natural systems, including climate change, ocean circulation and forest growth, and applies them to parasites and pathogens that cause disease.

Increased human-animal interactions lead to the emergence and spread of zoonotic pathogens, which cause about 75% of infectious diseases affecting human health. Predicting where, how and when people and animals are at risk from emerging pathogens—and the best ways to manage this—remains a significant challenge. Risks for spillover include, but are not limited to, habitat encroachment, illegal wildlife trade and bush meat consumption.

Despite incredible advances in the understanding of how infectious diseases are transmitted, the models these efforts are based on are relatively limited in scope, focusing on specific pathogens and often overlooking how pathogens interact within their hosts. While scientists and global health organizations are putting a lot of effort into studying the diversity of disease-causing organisms, existing models do not link this diversity to their roles within ecosystems.

"Just as a mechanic must understand how a car's components interact and how it's been engineered in order to improve performance, the same applies to our ability to model infectious disease," said first author Dr. James Hassell, wildlife veterinarian, epidemiologist and Keller Family Skorton Scholar for the Smithsonian Conservation Biology Institute's (SCBI) Global Health Program. "Applying systems-level thinking to forecast disease emergence requires a fundamental change in how we conceptualize infectious diseases. This presents significant challenges, but in this article, we explain why they're not insurmountable. When you weigh the cost of prevention versus remediation, the investment in our shared global health, particularly the connections between nature and human health, is vital."

Researchers say this new model will require expertise and collaboration across fields such as veterinary and human medicine, disease ecology, biodiversity conservation, biotechnology and anthropology.

"Disease and health are predominantly viewed as a human construct and the role the environment plays in disease is often overlooked," said Yvonne-Marie Linton, research director for the Walter Reed Biosystematics Unit for the Smithsonian's National Museum of Natural History and Walter Reed Army Institute of Research. "The health of other organisms, from parasites and insects to birds and aquatic organisms, can alter the structure of ecosystems. What we're proposing is a new approach to modeling infectious diseases that are circulating in nature, which would allow scientists to simulate the behavior of these pathogens in wildlife populations, how they respond to human activities and better determine the risk that they pose to people."

General ecosystem models are essentially complex models that can predict how food chains are assembled—the processes of energy transfer between plants and animals are what structure ecosystems—and determine the plants and animals that compose an ecosystem. With the new version, general "episystem" models, the paper's authors outline a framework for integrating disease agents (including parasites, viruses and bacteria) into these models. By identifying general rules for how food chains that include disease entities are structured, it should be possible to predict the types of pathogens that are present in any given ecosystem. This would allow scientists to better understand the characteristics of an ecosystem (such as disturbance) that would make it more likely to contain zoonotic pathogens, predict the threat it poses to people who interact with this ecosystem and even permit computer simulation and testing of interventions aimed at reducing these threats.

While the amount of data that would be required to create these models is daunting, long-term studies of intact ecosystems where parasite data has been collected are excellent places to initiate these studies. Efforts to refine them more broadly could then leverage large-scale ecological studies that span continents such as the Smithsonian's ForestGEO and MarineGEO programs.

The potential impacts of this new model go beyond reducing the human interface for disease spillover, to economics. "You could use this new approach to not only to look at human diseases, but also to look at the best way to conduct aquaculture or raise healthy livestock," said Katrina M. Pagenkopp Lohan, a marine disease ecologist at the Smithsonian Environmental Research Center. "If you're reintroducing a species into the wild, what do you need that ecosystem to look like for you to be successful? We could actually model that. It's mind blowing."

The cost of such a new approach is considerable, say researchers, and will take the global cooperation and commitment of scientists, communities, non-governmental organizations and nations. In an era of big data and massive advances in technology, this kind of approach is achievable but requires enhanced data collection, sharing and testing at far greater scales than currently occur.