Clear Sky Science · nl

Genetische associatie en machine learning verbeteren de voorspelling van het risico op type 1-diabetes

2026-04-30 · Terug naar het overzicht

Waarom genen ertoe doen bij type 1-diabetes

Type 1-diabetes wordt vaak gezien als iets dat uit het niets toeslaat, vooral bij kinderen en jongvolwassenen. Maar onder de oppervlakte bepalen erfelijke verschillen in DNA sterk wie het meeste risico loopt. Deze studie laat zien hoe het combineren van zeer grote genetische datasets met moderne machine learning onze mogelijkheid verscherpt om dat risico te schatten, type 1 te onderscheiden van andere vormen van diabetes en verborgen subtypen van de ziekte te ontdekken die mogelijk verschillend behandeld moeten worden.

Het genoom afzoeken naar risicopunten

De onderzoekers hebben eerst het DNA van meer dan 800.000 mensen van Europese afkomst gescand, waaronder meer dan 20.000 met type 1-diabetes en bijna 800.000 zonder de aandoening. Ze doorzochten het hele genoom naar kleine DNA-veranderingen die vaker voorkwamen bij mensen met de ziekte. Deze inspanning bevestigde 89 eerder bekende genetische regio’s die met type 1-diabetes geassocieerd zijn en bracht 8 nieuwe regio’s aan het licht. Veel van deze regio’s liggen dicht bij genen die betrokken zijn bij het immuunsysteem of de insuline-producerende cellen van de alvleesklier, wat nieuwe aanknopingspunten biedt om te begrijpen hoe de ziekte ontstaat.

Inzoomen op sleutelvarianten

Het vinden van een risicovolle regio in het genoom is slechts het begin, omdat elke regio veel nauw verwante varianten kan bevatten die samen meekomen. Het team gebruikte fine-mapping-methoden om de meest waarschijnlijke causale varianten te vernauwen in 97 regio’s buiten het belangrijkste immuungenencluster en in het krachtige Major Histocompatibility Complex (MHC) op chromosoom 6. In meer dan de helft van deze regio’s konden ze de kandidaten terugbrengen tot 15 of minder varianten, en soms tot één leidende verdachte. Ze ontdekten ook nieuwe risicosignalen binnen het MHC, waaronder niet-coderende varianten die kennelijk de genregulatie in specifieke immuuncellen beïnvloeden, wat wijst op gedetailleerde biologische routes naar de ziekte.

Een model leren genetisch risico te lezen

Met deze verfijnde lijst van varianten bouwden de wetenschappers een machine learning-model genaamd T1GRS dat iemands genoom als invoer gebruikt en een score oplevert die hun waarschijnlijkheid om type 1-diabetes te hebben weerspiegelt.

Figure 1. Hoe DNA en een machine learning-model samen verfijnen wie het meeste risico loopt op type 1-diabetes.

Het model gebruikt 199 geselecteerde varianten verspreid over het genoom en het MHC. Toen ze het testten bij tienduizenden mensen, onderscheidde T1GRS type 1-diabetes van niet-diabetes accurater dan de beste bestaande genetische scores. Het presteerde vooral beter bij mensen die niet de klassieke hoogrisico-immuungencombinaties hadden maar veel kleinere genetische risico’s verspreid over het genoom droegen. In onafhankelijke cohorten scheidde het model ook type 1 van type 2-diabetes en presteerde het vergelijkbaar met een speciale score bij Afro-Amerikaanse individuen, wat wijst op brede praktische waarde.

Verborgen interacties en genetische subtypes

In tegenstelling tot eenvoudige riskscores die effecten gewoon optellen, kan het machine learning-model interacties tussen varianten vastleggen. De auteurs gebruikten hulpmiddelen die modelgedrag verklaren om 154 paren van varianten te identificeren waarvan het gecombineerde effect op risico sterker of complexer was dan de som van de afzonderlijke effecten.

Figure 2. Hoe vele kleine genetische veranderingen door een model stromen om het risico op type 1-diabetes te rangschikken en geninteracties te ontdekken.

Veel van deze paren betrokken kruisgesprekken tussen het MHC en andere regio’s, inclusief het insuline-gen zelf. Ze groepeerden vervolgens mensen op basis van hoe verschillende varianten bijdroegen aan hun persoonlijke risicoscore. Dit onthulde vier genetische subclusters: twee gedomineerd door klassieke MHC-risico’s, één verrijkt voor immuuncelgenen en één verrijkt voor alvleeskliercellen-genen. Deze groepen weerspiegelden niet eenvoudigweg afkomst of cohortverschillen.

Wat de genetische patronen voor patiënten betekenen

De genetische subclusters waren gekoppeld aan reële verschillen in ziekteverloop. Mensen in de MHC-gedreven clusters ontwikkelden doorgaans op jongere leeftijd type 1-diabetes. Degenen in de pancreas-verrijkte cluster ontwikkelden de ziekte later maar hadden hogere percentages complicaties zoals nierziekte, zenuwschade en hart- en vaatproblemen, ook al was hun gemiddelde bloedglucosecontrole niet slechter. Vergelijkbare patronen verschenen in een onafhankelijk dataset, wat suggereert dat genetica kan helpen patiënten te signaleren die mogelijk intensiever gevolgd moeten worden op complicaties of die anders op behandelingen reageren.

Genetica naar de dagelijkse zorg brengen

Alles bij elkaar laat dit werk zien dat een zorgvuldig opgebouwd genetisch risicomodel meer kan doen dan iemand enkel als “hoog” of “laag” risico te labelen. Het verbetert de diagnose, vooral bij mensen met complexe genetische achtergronden, belicht biologische routes die het waard zijn om op te richten bij nieuwe behandelingen en wijst op verschillende vormen van type 1-diabetes die zich anders ontwikkelen gedurende het leven. Hoewel genetica op zichzelf niet kan voorspellen wie de ziekte zal krijgen, brengt gereedschap als T1GRS de geneeskunde dichter bij het gebruik van een eenvoudige DNA-test om preventie, diagnose en langetermijnbeheer te sturen.

Bronvermelding: McGrail, C., Sears, T.J., Griffin, E.N. et al. Genetic association and machine learning improve the prediction of type 1 diabetes risk. Nat Genet 58, 1062–1072 (2026). https://doi.org/10.1038/s41588-026-02578-y

Trefwoorden: type 1 diabetes, genetische risicoscore, machine learning, auto-immuunziekte, precisiemedicine