Stärker genetiska upptäckter och bedömning av kardiovaskulär risk genom att förutsäga elektrokardiogram från genotype

Läsa hjärtat ur våra gener

De flesta människor kommer aldrig att få ett hjärtrytmstest tidigt i livet, men nästan alla har numera sitt DNA lagrat i stora forskningsprojekt. Denna studie ställer en djärv fråga: kan vi använda dessa genetiska register för att förutsäga hur en persons hjärtspår skulle se ut — och därifrån uppskatta deras framtida risk för hjärtsjukdom? Om svaret är ja skulle läkare en dag kunna varna människor för kardiovaskulära problem år innan symtom uppträder, med endast ett blod- eller salivprov.

Varför hjärtsignaler är viktiga

Kardiovaskulära sjukdomar är den främsta dödsorsaken i världen. Ett enkelt, smärtfritt test kallat elektrokardiogram (EKG) registrerar hjärtats elektriska aktivitet och kan avslöja farliga rytmstörningar eller skadat hjärtmuskel. Många subtila egenskaper i ett EKG, som vågornas höjder och bredder, är delvis ärftliga. Stora studier tyder på att 40–70 % av skillnaderna mellan människors EKG kan spåras till genetiken. Tyvärr har i stora biobanker som UK Biobank bara omkring en av tio deltagare både DNA-data och EKG-registreringar. Det gör det svårt att avslöja alla genetiska faktorer bakom hjärtsjukdom eller att använda EKG-information för tidig riskbedömning i stor skala.

Att lära ett neuralt nätverk föreställa sig EKG

Forskarnas team utvecklade en djupinlärningsmodell kallad CapECG som lär sig översätta en persons genetiska varianter till 169 detaljerade EKG-mått. De tränade modellen på mer än 37 000 personer av europeiskt ursprung som hade både DNA och 12-avlednings-EKG i UK Biobank. Eftersom genomet innehåller miljontals tätt korrelerade markörer grupperade de först närliggande varianter i block som tenderar att ärvas tillsammans och använde en metod kallad LD-PCA för att komprimera varje block till ett fåtal nyckelkomponenter. CapECG använder sedan en "attention"-mekanism för att väga vilka block som är viktigast, och ett kapsel-liknande neuralt nätverk för att fånga komplexa, flerskiktade samband mellan genetiska förändringar och EKG-egenskaper.

Hur väl modellen läser det genetiska hjärtavtrycket

På en intern testuppsättning med 7 422 personer överensstämde CapECG:s förutsagda EKG-egenskaper med de verkliga mätningarna med en genomsnittlig korrelation på ungefär 0,62 för de 102 egenskaper som tydligt är ärftliga. Vissa mått förutspåddes särskilt väl, med korrelationer över 0,8. Ett fokus i studien var den spatiala QRS-T-vinkeln, ett tredimensionellt mått på hur hjärtats elektriska aktivering och återhämtning linjerar i rummet. Denna vinkel har kopplats till farliga rytmstörningar och plötslig hjärtdöd. CapECG förutsade denna vinkel med en korrelation kring 0,65, och statistiska kontroller visade att de förutsagda och observerade värdena stämde väl överens, särskilt för egenskaper med starkare genetiskt inflytande.

Avslöja dolda genetiska ledtrådar och förutsäga sjukdom

När modellen var tränad tillämpades CapECG på nästan 390 000 UK Biobank-deltagare som hade DNA men inga EKG-registreringar, vilket effektivt "imputerade" deras EKG från enbart generna. Teamet genomförde sedan storskaliga genetiska associationsstudier på dessa förutsagda EKG-egenskaper. För den spatiala QRS-T-vinkeln upptäckte de 133 signifikanta genetiska platser, inklusive 33 som överlappade med en större tidigare studie av mer än 118 000 personer — mycket mer överlapp än när man använde den mindre uppsättningen av verkliga EKG ensam. Liknande vinster syntes för QT-intervallet, ett nyckelmått kopplat till farliga arytmier. Gen-nivåanalys framhävde dussintals gener involverade i hjärtats elektriska signalering och rytmkontroll, och pekade ut ytterligare kandidater som tidigare inte kopplats till hjärtfunktion.

Från förutsagda spår till framtida hjärtproblem

Forskarna byggde sedan en annan djupinlärningsmodell, DeepCVD, som använder de 169 CapECG-förutsagda EKG-egenskaperna, plus ålder och kön, för att uppskatta en persons risk för sex stora kardiovaskulära tillstånd, inklusive högt blodtryck, hjärtinfarkt och förmaksflimmer. Tränad på hundratusentals genetiskt profilerade deltagare uppnådde DeepCVD en genomsnittlig noggrannhet (AUC) på cirka 0,80 i en reserverad testgrupp — avsevärt bättre än en standard polygen riskpoängmetod som endast förlitade sig på DNA och grundläggande faktorer och nådde cirka 0,71. En kompanjonmodell, DeepCVD-Age, använde samma indata för att förutsäga vid vilken ålder någon kan få diagnos av dessa tillstånd; dess förutsägelser korrelerade starkt (kring 0,74) med de faktiska åldrarna i databasen och presterade rimligt väl även hos personer med icke-europeisk härkomst.

Vad detta kan innebära för patienter

Enkelt uttryckt visar detta arbete att ett maskininlärningssystem kan lära sig tillräckligt mycket från kombinerade DNA- och EKG-data för att "föreställa sig" ett EKG för personer som aldrig gjort testet. Dessa föreställda EKG-egenskaper är tillräckligt bra inte bara för att upptäcka nya gener involverade i hjärtrytm och struktur, utan också för att överträffa vida använda genetiska riskpoäng vid förutsägelsen av vem som kommer att utveckla hjärtsjukdom och ungefär när. Medan metoden fortfarande behöver prövas i oberoende populationer och finslipas vidare, pekar den mot en framtid där ett enkelt genetiskt test skulle kunna ge en inblick i en persons livslånga hjärthälsa, långt innan den första avvikande kurvan syns på en klinikskärm.

Citering: Lin, S., Yang, Y. & Zhao, H. Empowering genetic discoveries and cardiovascular risk assessment by predicting electrocardiograms from genotype. npj Digit. Med. 9, 255 (2026). https://doi.org/10.1038/s41746-026-02438-3

Nyckelord: prediktion av kardiovaskulär risk, elektrokardiogramgenetik, djupinlärning i medicin, genomomfattande associationsstudier, biobanksdata