Genotipten elektrokardiyogram tahminiyle genetik keşifleri ve kardiyovasküler risk değerlendirmesini güçlendirmek

Genlerimizden Kalbi Okumak

Çoğu insan hayatının erken döneminde bir kalp ritim testi yaptırmayacaktır, ancak neredeyse herkesin DNA'sı artık büyük araştırma projelerinde saklanıyor. Bu çalışma cesur bir soruyu gündeme getiriyor: bu genetik kayıtları kullanarak bir kişinin kalp kaydının nasıl görüneceğini tahmin edebilir miyiz — ve bundan yola çıkarak gelecekteki kalp hastalığı riskini kestirebilir miyiz? Eğer mümkünse, doktorlar bir gün yalnızca kan veya tükürük örneği kullanarak semptomlar ortaya çıkmadan yıllar önce insanları kardiyovasküler sorunlar konusunda uyarabilirler.

Kalp Sinyallerinin Neden Önemi Var

Kardiyovasküler hastalıklar dünya genelinde en önde gelen ölüm nedenidir. Elektrokardiyogram (EKG) olarak bilinen basit ve ağrısız bir test, kalbin elektriksel aktivitesini kaydeder ve tehlikeli ritim bozukluklarını veya hasarlı kalp kasını ortaya çıkarabilir. Bir EKG'nin dalgalarının yükseklikleri ve genişlikleri gibi birçok ince özelliği kısmen kalıtımsaldır. Büyük çalışmalar, insanların EKG'leri arasındaki farklılıkların %40–70'inin genetikle ilişkilendirilebileceğini gösteriyor. Ne var ki, UK Biobank gibi büyük biyobankalarda katılımcıların yalnızca yaklaşık onda biri hem DNA verisine hem de EKG kaydına sahiptir. Bu durum, kalp hastalığının arkasındaki tüm genetik faktörleri ortaya çıkarmayı veya EKG bilgisini geniş ölçekte erken risk tahmini için kullanmayı zorlaştırır.

Bir Sinir Ağını EKG Hayal Etmeye Öğretmek

Araştırmacılar, bir kişinin genetik varyantlarını 169 ayrıntılı EKG ölçümüne çevirmeyi öğrenen CapECG adında bir derin öğrenme modeli geliştirdiler. Modeli, DNA ve 12 lider EKG verisine sahip 37.000'den fazla Avrupalı atalıklı katılımcı üzerinde UK Biobank verileriyle eğittiler. Genom milyonlarca birbirine yakın işaretçi içerdiği için, önce yakındaki varyantları birlikte kalıtılma eğiliminde olan bloklar halinde grupladılar ve her bloğu birkaç ana bileşene sıkıştırmak için LD-PCA adlı bir yöntem kullandılar. CapECG daha sonra hangi blokların daha önemli olduğunu ağırlıklandırmak için bir "attention" mekanizması ve genetik değişiklikler ile EKG özellikleri arasındaki karmaşık, katmanlı ilişkileri yakalamak için kapsül tarzı bir sinir ağı uyguluyor.

Model Genetik Kalp İzini Ne Kadar İyi Okuyor

7422 kişilik dahili bir test kümesinde, CapECG'nin tahmin ettiği EKG özellikleri, açıkça kalıtımsal olan 102 özellik için gerçek ölçümlerle ortalama yaklaşık 0,62 korelasyon gösterdi. Bazı özellikler özellikle iyi tahmin edildi ve korelasyonlar 0,8'in üzerine çıktı. Çalışmanın odak noktalarından biri, kalbin elektriksel aktivasyonu ile toparlanmasının uzaydaki hizalanmasını üç boyutlu olarak ölçen mekânsal QRS-T açısıydı. Bu açı tehlikeli ritim bozuklukları ve ani kardiyak ölümle ilişkilendirilmiştir. CapECG bu açıyı yaklaşık 0,65 korelasyonla tahmin etti ve istatistiksel kontroller, özellikle genetik etkinin daha güçlü olduğu özelliklerde, tahmin edilen ve gözlemlenen değerlerin yakından uyuştuğunu gösterdi.

Gizli Genetik İpuçlarını Ortaya Çıkarmak ve Hastalığı Tahmin Etmek

Eğitildikten sonra, CapECG DNA'sı olup EKG kaydı olmayan yaklaşık 390.000 UK Biobank katılımcısına uygulandı ve bu kişilerin EKG'leri yalnızca genlerinden "impute" edilerek elde edildi. Ekip daha sonra bu tahmin edilen EKG özellikleri üzerinde büyük ölçekli genetik ilişki çalışmaları yürüttü. Mekânsal QRS-T açısı için 133 anlamlı genetik bölge keşfettiler; bunların 33'ü daha önce 118.000'den fazla kişinin yer aldığı büyük bir çalışmayla örtüşüyordu — gerçek EKG'lerin daha küçük kümesiyle elde edilenden çok daha fazla örtüşme. Tehlikeli aritmilere bağlı önemli bir gösterge olan QT intervalinde de benzer kazanımlar görüldü. Gen düzeyindeki analizler, kalbin elektriksel sinyalleşmesi ve ritim kontrolünde rol oynayan onlarca geni öne çıkardı ve daha önce kalp fonksiyonuyla ilişkilendirilmemiş ek adaylara işaret etti.

Tahmin Edilen Kayıtlardan Gelecekteki Kalp Sorunlarına

Araştırmacılar daha sonra 169 CapECG tarafından tahmin edilen EKG özelliğini, yaş ve cinsiyeti kullanarak bir kişinin yüksek tansiyon, kalp krizi ve atriyal fibrilasyon da dahil olmak üzere altı ana kardiyovasküler durum riskini tahmin eden DeepCVD adında başka bir derin öğrenme modeli geliştirdiler. Yüz binlerce genetik profilli katılımcı üzerinde eğitilen DeepCVD, ayrık bir test grubunda ortalama doğruluk (AUC) olarak yaklaşık 0,80'e ulaştı — yalnızca DNA ve temel faktörlere dayanan standart bir poligenik risk skorundan (yaklaşık 0,71) belirgin şekilde daha iyi. Bir eşlikçi model olan DeepCVD-Age, aynı girdileri kullanarak bir kişinin bu durumlara hangi yaşta teşhis konulabileceğini tahmin etti; tahminleri veritabanında kaydedilen gerçek yaşlarla güçlü biçimde (yaklaşık 0,74) korelasyon gösterdi ve Avrupa dışı atalıklı kişilerde bile makul bir performans sergiledi.

Bu Hastalar İçin Ne Anlama Gelebilir

Düz anlatımla, bu çalışma bir makine öğrenimi sisteminin DNA ve EKG verilerinden birleşik biçimde yeterince öğrenerek testi hiç yaptırmamış kişiler için bir EKG "hayal edebileceğini" gösteriyor. Bu hayal edilen EKG özellikleri yalnızca kalp ritmi ve yapısında rol oynayan yeni genleri keşfetmek için yeterli değil, aynı zamanda yaygın olarak kullanılan genetik skorları geride bırakarak kimlerin kalp hastalığı geliştireceğini ve kabaca ne zaman geliştireceğini daha iyi tahmin edebiliyor. Yaklaşımın bağımsız popülasyonlarda test edilmesi ve daha fazla iyileştirilmesi gerekse de, basit bir genetik testin klinikte ilk anormal kaydın görünmesinden çok önce bir kişinin yaşam boyu kalp sağlığına ilişkin bir pencere sağlayabileceği bir geleceğe işaret ediyor.

Atıf: 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

Anahtar kelimeler: kardiyovasküler risk tahmini, elektrokardiyogram genetiği, tıpta derin öğrenme, genom genelinde ilişki çalışmaları, biyobank veri