第十九屆先進科技與糖尿病治療會議 (19th ATTD Conference) 專題演講
介紹與背景說明
接下來是本次會議的最後一場發表。本場次由遠在以色列的 Yaniv Ovadia 醫師透過遠端連線，為我們探討「透過機器學習方法檢測第二型糖尿病的遺傳易感性：以微小 RNA-122 (miR-122) 作為潛在預測因子」。
大家好，非常感謝各位來聆聽我的演講。我希望能向各位展示我們關於第二型糖尿病 (Type 2 Diabetes Mellitus, T2DM) 易感性的一些初步研究發現，這項研究是借助機器學習 (Machine Learning) 來進行的。首先，我聲明本研究沒有任何利益衝突。
我們直接進入研究背景。糖尿病的影響力預計將持續擴大，其盛行率也呈現上升趨勢。到了 2045 年，全球預計將有超過 7 億 5000 萬人罹患第二型糖尿病。這意味著它將帶來許多健康上的後果，並包含沉重的經濟負擔。我們面臨的最大挑戰在於「預防」，因為通常在診所或醫院裡看到的，都是已經被確診為第二型糖尿病的患者。真正的挑戰在於如何及早識別特定高風險人群，並在早期階段進行介入治療，因為在許多情況下，當個體被正式診斷出來時，往往已經太遲了。
目前在遺傳學領域中存在一些缺口。全基因組關聯分析 (GWAS) 通常（或在很多情況下）包含單核苷酸多態性 (Single Nucleotide Polymorphisms, SNPs)，但這些 SNPs 只能解釋第二型糖尿病遺傳率的一小部分。因此，現有生物標記的預測能力相當有限，而且對於早期的風險分層缺乏足夠的敏感度。
研究目標與 miR-122 的潛力
在這個背景下，微小 RNA (microRNAs) 或許提供了一個新的契機。近年來，微小 RNA-122 (miR-122) 已成為一個極具前景的潛在生物標記。我們過去通常在肝臟相關的領域比較常聽到它，但已有部分文獻指出，即使在血糖血脂異常 (dysglycemia) 的層面，它也可能具備成為新型指標的潛力。
因此，本研究設定了兩個目標：第一，我們旨在找出位於老年（患有與未患有第二型糖尿病）個體中，鄰近 miR-122 片段的 SNPs。第二，我們要找出能夠最早形成某種組合模式的 SNPs，以建立第二型糖尿病遺傳易感性的預測模型。
研究方法與演算法架構 (Genetics-to-Algorithm Pipeline)
作為一項初步研究，我們的方法相當直接。我們進行了一項橫斷面 (cross-sectional) 的病例對照研究 (case-control study)，共收案了 82 位來到我們巴爾齊萊大學醫學中心 (Barzilai University Medical Center) 就診的住院患者。所有受試者的年齡均在 65 歲（含）以上。其中 41 位是已經確診為第二型糖尿病的患者，另外 41 位則是匹配的對照組（包含了性別的匹配）。
在基因體數據輸入 (Genomic Input) 與特徵萃取 (Feature Extraction) 的階段，我們使用了客製化的設計捕獲陣列技術 (design capture array technology) 來識別 SNPs，特別聚焦於 miR-122 基因座及其兩側 (flanking) 調控區域 (regulatory regions) 的遺傳變異。這會將基因數據轉換為包含多個 SNPs 的特徵矩陣。
隨後進入預測建模 (Predictive Modeling) 階段，我們採用了 Python 為基礎的機器學習演算法，具體來說是呼叫了 sklearn 模組來開發生物識別演算法。該演算法被用來分析加權後的 SNP 等位基因組合對於疾病的邊際效應，藉此找出能夠最佳描述我們結果的演算法。我們運行了多次測試和多種機器學習模型，結果發現決策樹模型 (decision tree model)（呈現為階層式的 SNPs 決策樹結構）的表現最為優異。該模型最終能產出臨床輸出結果 (Clinical Output)，將受試者分類為「第二型糖尿病高風險組 (T2DM High-Risk)」或「匹配對照組 (Matched Controls)」。
研究結果
我們的發現非常有趣。首先，我們在 miR-122 兩側的區域內，總共識別出了 19 個 SNPs，這些代表著可能與第二型糖尿病易感性相關的潛在調控變異 (regulatory variants)。
我們所建構的機器學習決策樹模型，成功地分析了這些 SNPs 等位基因的組合，並有效地將高風險個體與對照組區分開來。從模型表現來看，其精密度 (Precision) 達到了 88%，且準確度 (Accuracy) 也達到了 78%。整體的模型表現令人滿意，所有的測試指標百分比皆超過了 60% 的水準。
臨床意涵與未來方向 (Clinical Implications and Future Directions)
我們認為這些發現具有明確的臨床意義，並可分為三個階段的進程：
結論
總結來說，來自 miR-122 兩側 19 個 SNPs 的等位基因組合，展現了作為第二型糖尿病遺傳風險之潛在預測生物標記的實力。機器學習演算法能以 88% 的精密度與 78% 的準確度有效識別高風險個體，這支持了其未來的臨床實用性 (clinical utility)。當然，為了對這些初步結果得出更完善的定論，擴大且多種族的進一步驗證是絕對必要的，以精煉這套用於臨床實施的預測模型。
在此，我要特別感謝 Jonathan Levitt 先生，他自願協助了機器學習的實作與調查，包辦了資料科學部分的流程。
非常感謝各位聆聽我的演講。我本來很希望能親自到場，或許日後的會議我能親自出席。我隨時歡迎大家提問，螢幕上是我的電子郵件（yaniv.ovadia@mail.huji.ac.il），我會非常樂意為各位解答，並提供關於我們初步結果的更多資訊。再次感謝各位的聆聽。
會議主持結語
由於 Ovadia 醫師無法親自來到現場與我們交流，這也為我們在巴塞隆納舉辦的本屆 ATTD 會議的此一場次畫下了句點。
我想向所有的講者表達感謝。他們在講台上度過的這 10 到 12 分鐘，背後代表的是在實驗室與臨床工作中投入的數千個小時。所以，感謝您以及您的團隊。也希望在座的各位，能繼續享受目前為止都非常精彩的巴塞隆納 ATTD 會議。非常感謝大家！(現場觀眾交流與肯定聲)