一组研究人员来自斯坦福大学、埃默里大学和佐治亚理工学院的研究人员发表了一项研究，评估了全基因组测序如何与预防医学中的传统临床评估一起使用。vwin德赢ac米兰合作
在上个月发表的原理验证研究中基因组医学研究人员对来自埃默里大学健康发现与福祉中心的8个人的全基因组进行了测序，分析了每个人患100多种多基因疾病的风险。
斯坦福大学博士后研究员、第一作者齐拉格·帕特尔告诉记者临床测序新闻这项研究的目的是评估如何结合临床和遗传信息来估计疾病风险。
最终，他说，最终目标是确定，“当我们结合遗传和临床信息时，我们是否能更好地预测疾病和更好的健康结果?”
帕特尔说，研究人员计划将全基因组测序研究从当前研究中的8人扩大到健康发现和福祉中心的整个500人队列，最终扩大到来自美国各地不同中心的3000人。研究人员计划长期跟踪这些人，研究基因组信息如何影响他们的生活方式。
“如果患者或医生在解释他们的临床数据时知道他们潜在的遗传或遗传风险，这将如何改变患者的行为，或者医生将如何指导患者?”帕特尔补充道。
这八个人，四男四女，是从一组500人的健康成年志愿者中挑选出来的，他们被挑选出来代表身体质量指数、脂肪百分比、高密度脂蛋白胆固醇水平和甘油三酯水平的两个极端。
他们的基因组在Illumina公司的HiSeq 2000上测序，遗传风险预测是基于varied数据库确定的，该数据库涵盖了从6500多项流行病学研究中收集的与2000多种表型相关的9700个基因中的11万多个变异;以及一个分析管道之前由Atul Butte的小组发表斯坦福大学。
研究人员对参与者进行了8种主要疾病的评估——免疫、代谢、肌肉骨骼、心血管、呼吸、认知、精神病学和肿瘤学——涵盖了大约100种不同的疾病。
然后，研究小组测试了两种不同的方法来整合基因和临床数据。第一种方法直接将全基因组关联研究结果与个别疾病相匹配，而第二种方法结合了多种临床和遗传措施，以生成总体风险概况。研究小组发现，第二种方法更有用，因为它允许根据背后的证据来衡量不同的指标，而第一种方法通常是多余的。
Patel说，临床和基因组数据通常在疾病风险方面是一致的。例如，由于BMI而有患心血管疾病风险的人，由于他们的基因组特征，往往也有患相同疾病的风险。
然而，帕特尔说，也有不一致的情况。例如，他说，有一个人有高甘油三酯的遗传风险，但实际上他的甘油三酯水平很低。他说，在这种情况下，一种可能是采取“观察等待的方法”。
Patel说，结果还没有返回给参与者，因为这没有包括在机构审查委员会的批准中，但随着研究扩展到整个队列，最终扩展到外部机构的数千名志愿者，该小组计划获得IRB的批准，以研究如何最好地返回这些结果，以及医生如何将基因组信息整合到健康管理中。
目前，下一代测序主要用于临床诊断罕见疾病或对患者肿瘤进行测序以指导治疗，而更有针对性的测序则用于诊断特定疾病。
全基因组和外显子组测序很少用于其他健康的人，他们只是想知道他们患常见疾病的风险，尽管帕特尔说，他认为随着价格的持续下降，这将变得更加普遍，这就是为什么了解如何最好地传达这些信息，以及如何将其与其他疾病风险的临床标志物结合起来是很重要的。
帕特尔说:“我们确实相信，一个人知道自己的基因特征可以诱导行为变化，这可能对整体有益，但在衡量(基因组信息)对疾病的预测价值方面，我们还没有做到这一点。”
在基因组医学在这项研究中，作者提出了一种返回结果的方法，他们称之为“风险图”，它结合了八个健康类别的整体视图，包括个人的基因组和临床得分，以及它们与人群的比较，以及感兴趣的罕见变异列表。由于该小组没有获得IRB批准将结果返回给患者，为了保护隐私，研究人员没有将罕见的变异发现包括在研究中。
作者写道:“基因和临床资料中一致性和不一致性的可视化可能有助于与健康伙伴协商制定个性化的健康行动计划。”
没有参与这项研究的北卡罗来纳大学遗传学和医学教授詹姆斯·埃文斯告诉记者CSN虽然“我们当然需要这样的研究，开始探索基因组数据的使用……但在我们实现预测多基因疾病风险的实用性之前，我们还有很长的路要走”。
相反，他认为临床测序工作应该首先关注“携带相当可靠的风险信息”的基因变异，例如Lynch综合征的变异，它赋予了“极高的结肠癌风险”。
埃文斯说，确定拥有这些罕见但高渗透性变异的人群将会有更直接的好处，因为这些变异通常是可操作的。
例如，如果一个人知道他或她的林奇综合症的状况，就可以采取措施预防或发现结肠癌的早期迹象，这比知道“在我们没有具体措施的情况下，适度地降低某人患糖尿病或心脏病的风险”来治疗或预防这些疾病的变异更有用，埃文斯说。
此外，尽管就理解人们将如何使用这种类型的基因组信息而言还处于早期阶段，但有限的可用数据“表明，提供遗传信息不会以任何持久的方式激励[人们]，”他说。
尽管如此，埃文斯承认，研究如何将全基因组测序整合到健康管理策略中仍然值得研究。“我们需要探索这些信息的用途，”他说，但他警告说，全基因组测序数据还需要数年时间才能用于了解常见疾病的风险。
他说，这在一定程度上是因为“我们不知道如何将这些因素组合成一个有用的总风险，也因为有非遗传的”促成因素，比如行为和环境。
帕特尔同意，关于基因组信息如何预测疾病风险，需要更多的数据，包括纵向研究，以了解某些变异在预测疾病方面的准确性。例如，他说，通过临床测量，一个患有2型糖尿病风险变异的健康患者是否会继续患上这种疾病，这将是很有趣的。他说，包括饮食和体育活动等环境信息也很重要，以“看看它如何在人们遗传风险的背景下调节临床信息”。