تشخیص ضعیف ناباروری در اعتبارسنجی آزمایشگاهی

به گزارش واحد ژنتیک پایگاه اطلاع رسانی علوم آزمایشگاهی ایران، ناباروری می تواند دلایل ژنتیکی داشته باشد، اما تعیین دقیق جهش های ژنتیکی مشکل است زیرا باروری و تولید مثل توسط ژن های زیادی کنترل می شود. این ژن ها همچنین حامل جهش های بی خطر اما مشکوک بسیاری در افراد مختلف هستند که تشخیص جهش های واقعاً مضر را دشوار می کند. دریافت یک تفسیر دقیق از تنوع ژنتیکی برای دادن تشخیص و توصیه های صحیح به بیماران بسیار مهمی است. هنگامی که دانشمندان می خواهند جهش های ژنتیکی مسئول یک ویژگی را شناسایی کنند، از ترکیبی از ابزارهای محاسباتی و تکنیک های مولکولی استفاده می کنند. به طور معمول، الگوریتم های پیچیده توالی DNA یک بیمار را تجزیه و تحلیل می کنند و تنوع ژنتیکی بیمار را بر اساس احتمال ایجاد بیماری طبقه بندی می کنند. بسیاری از تغییرات در DNA به عنوان خوش خیم یا به عنوان انواع با اهمیت ناشناخته (VUS) طبقه بندی می شوند.

جهشی که باعث ناباروری می شود، در پس زمینه ای از چندین VUS در ژن های کاندید وجود دارد. دشوار است که به طور قطعی هر نوع دیگری را به عنوان مسئول ناباروری در نظر گرفت. برای بسیاری از صفات، مانند بیماری های نادر و سرطان ها، گروهی از متخصصان در حوزه های بیماری خاص، پیش بینی های محاسباتی را بررسی می کنند. با این حال، چنین پانلی برای ناباروری وجود ندارد، که برای ایجاد آن نیاز به حمایت و تأیید مؤسسه ملی بهداشت دارد. برای صفات تولیدمثلی، بیشتر نتیجه گیری ها صرفاً بر اساس پیش بینی های الگوریتم ها است.

شیمنتی و تیمش می خواستند ارزیابی کنند که آیا روش های محاسباتی به تنهایی پیش بینی های دقیقی برای جهش های مرتبط با ناباروری ارائه می دهد یا خیر. آنها آزمایشی را راه اندازی کردند که در آن باروری موش هایی را که برای حمل گونه های ژنتیکی انسانی در ژن های ضروری برای تولید مثل نر مهندسی شده بودند، بررسی کردند. آنها روی 11 نوع ژنتیکی تمرکز کردند که الگوریتم ها پیش بینی کرده بودند. سه مورد از این 11 جهش در مردانی که از نظر بالینی با مشکلات باروری تشخیص داده شده بودند نیز مشاهده شد. از 11 جهش که توسط الگوریتم ها مضر پیش بینی شده بود، محققان دریافتند که 10 جهش هیچ تاثیری بر باروری موش نداشتند. تنها یک نوع ژنتیکی که در یک بیمار ناباروری مرد یافت شد، تولید اسپرم را در موش به میزان زیادی کاهش داد. یکی از دلایلی که مشاهدات in vivo با پیش بینی های محاسباتی مطابقت ندارد این است که الگوریتم ها بر روی مجموعه داده هایی آموزش داده می شوند که دقیق نیستند. اگر مدل ها بر روی داده های تا حدی اشتباه باشند، پیش بینی های آنها تا حدی نادرست است.

برخی از مطالعات نشان داده اند که تقریباً نیمی از جهش های نادری که به طور الگوریتمی پیش بینی می شدند تأثیر منفی بر سلامتی داشته باشند، تأثیر پیش بینی شده را نداشتند. دلیل احتمالی دیگر این است که پیش بینی های محاسباتی اشتباه نیستند، اما سیستم های بیولوژیکی در برابر جهش ها مقاوم هستند. سیستم های زنده دارای استحکام یا اضافه کاری هستند که می تواند نقص های بیوشیمیایی یا ساختاری جزئی پروتئین ها را بپوشاند.

برخی از این جهش ها ممکن است بر عملکرد یک ژن همانطور که پیش بینی شده است تأثیر بگذارد، اما این ممکن است به تنهایی برای به خطر انداختن باروری یک ارگانیسم کافی نباشد. گاهی اوقات، واریانت های ژنتیکی در یک ژن تنها زمانی بر یک صفت تأثیر می گذارند که با تغییرات خاص در ژن های دیگر ترکیب شوند. ممکن است موش ها نسبت به انسان ها نسبت به تغییرات پروتئین تحمل بیشتری داشته باشند. همچنین ممکن است عواقب آن فقط در طول عمر طولانی تر انسان ظاهر شود. پیش بینی محاسباتی تنها یکی از شواهد است و اگر به بخش های دیگر نگاه نشود، احتمالاً در تفسیر انواع ژنتیکی دچار اشتباه خواهیم بود.