Pulleritsu preemia võitja leitud lahendus võib aidata biopanku üle maailma

Selle väljaselgitamiseks kombineeris Jürgenson oma magistritöös „Retrospektiivsete ja prospektiivsete andmete kombineerimine ülegenoomsetes seoseuuringutes“ infot jälgimiseelsetest ja -aegsetest juhtudest.

Valminud töö võib aidata täiustada ja edasi arendada ülegenoomsete seoseuuringute metoodikat, mis uurivad indiviide paljude levinud geneetiliste variantide suhtes, otsides neist kindlaid tunnuseid, mis võivad olla seotud mõne levinud haigusega.

Miks soovisite just seda teemat oma magistritöös uurida?

Magistritöö teema on tihedalt seotud minu tööga Tartu Ülikooli Eesti Geenivaramus. Geeni- ja haigestumisandmete uurimisel esineb väga sageli olukord, kus analüüsi saaks kaasata nii retrospektiivsed ehk jälgimiseelsed kui ka prospektiivsed ehk jälgimisaegsed andmed – seda nii geenivaramus, aga ka teistes suurtes biopankades üle maailma. Lisaks sellele, et retrospektiivsete ja prospektiivsete andmete kombineerimiseks ja analüüsimiseks sobiva metoodika leidmine on teoreetiliselt huvitav, on see ka väga suure praktilise väärtusega. 

Kuidas selgitakse inimesele tänavalt, mida te täpsemalt uurisite?

Ülegenoomsed seoseuuringud on üks populaarseimaid uuringutüüpe geneetiliste haiguste põhjuste selgitamiseks ja minu töö eesmärk oli leida lihtne meetod, mis võimaldaks kaasata ülegenoomsetesse seoseuuringutesse korraga jälgimiseelsed ja jälgimisaegsed haigestumisandmed.

Geenivaramu geenidoonorite haigestumisandmed saab jagada suuresti kaheks: esiteks andmed nende haiguste kohta, mida inimene on põdenud enne geenivaramuga liitumist, ja teiseks andmed nende haiguste kohta, mis on tabanud inimest pärast geenivaramuga liitumist. Esimesi nimetamegi jälgimiseelseteks andmeteks ja teisi jälgimisaegseteks.

Kuigi võib olla keeruline aru saada, miks on vaja andmeid niimoodi kaheks jagada ja mis vahet on, kas inimene jäi haigeks enne või pärast geenidoonoriks hakkamist, siis tegelikult on mõlemat tüüpi andmetel oma eripära ja statistikas neid päris ühtemoodi käsitleda ei saa.

Näiteks olukorras, kus inimene on pärast mõnd rasket haigust siiski geenivaramuga liitunud, on ta selle konkreetse haiguse korral jälgimiseelne juht. Sellest saab aga juba järeldada, et ta pidi selle haiguse läbi põdema piisavalt kergelt, et olla veel võimeline geenivaramuga liituma. Jälgimisaegsete juhtude seas näeme me aga kõiki haigeid – lisaks haiguse kergelt läbi põdenutele ka neid, kelle haiguskulg oli raske või surmav.

Seetõttu on nende andmete analüüsimiseks klassikaliselt olnud kasutusel erinevad meetodid ja sageli kaasatakse analüüsi info vaid jälgimisaegsete haigusjuhtude kohta. Nii aga võib oluliselt väheneda analüüsi võimsus, eriti haruldaste haiguste korral, mil haigusjuhtude arv on niigi väike ja jälgimiseelsete juhtude väljajätmine pole soovitatav.

Selliseid haigestumisandmeid kasutatakse väga palju just suuremahulistes ülegenoomsetes seoseuuringutes, kus võrreldakse kahe grupi (näiteks mõnd haigust põdevate (juhtude) ja tervete inimeste (kontrollide)) indiviidide DNA-d. Kui mõni uuritav geenivariant esineb oluliselt sagedamini haigetel, saab järeldada, et see variant on huvipakkuva haigusega kuidagi seotud.

Oma töös selgitasin välja, milline meetod sobib ülegenoomse seoseuuringu tegemiseks juhul, kui soovime, et haigete seast oleksid kaasatud nii jälgimiseelsed kui jälgimisaegsed juhud.

Mida peate oma töö suurimaks praktiliseks väärtuseks?

Magistritöö põhitulemus on väga praktiline – meetodeid võrreldes selgus, et jälgimiseelseid ja jälgimisaegseid haigusjuhtusid saab analüüsida koos ning retrospektiivseid juhtusid ei pea analüüsist välja jätma. Seda teadmist saab ära kasutada ülegenoomsete seoseuuringute korraldamisel.

Kuidas plaanite seda teemat edasi uurida?

Kuna töös uuritud probleem esineb geeniandmete analüüsimisel sageli, siis võib pakutud lihtne lahendus olla abiks ka paljudele teistele biopankadele kogu maailmas. Seega on plaanis töö tulemused vormistada teadusartiklina

Artikli tarbeks tuleb tööd veel edasi arendada, näiteks kaasata magistritöös tehtud simulatsiooniuuringusse parameetrid, mis arvestaks sellega, et mõni geenivariant võib jälgimiseelsete juhtude korral mõjutada lisaks haigestumisele ka nende geenivaramuga liitumise tõenäosust.

Samuti uurin, kuidas võtta ülegenoomsetes seoseuuringutes arvesse uuritavate vanust. Vanus on paljude haiguste peamine riskitegur, samal ajal pole selge, kuidas on seda kõige õigem mudelisse kaasata.  Erinevates uuringutes on kasutatud näiteks inimese vanust biopangaga liitudes, vanust analüüsi tegemise ajal, vanust haigestumise ajal või hoopis inimese sünniaastat. Minu eesmärk on välja selgitada, kuidas on vanust kõige sobilikum arvesse võtta just retrospektiivsete ja prospektiivsete andmete koos analüüsimisel.

Kui palju te oma igapäevaelus andmeid kasutate?

Töötan statistikuna Tartu Ülikooli Eesti Geenivaramu farmakogeneetika töörühmas ja õpin samal ajal matemaatilise statistika erialal doktorantuuris, kus minu uurimistöö teema on „Riski prognoosimise mudelid keerukates andmestruktuurides”. Peamiselt tegelen suuremahuliste genotüübiandmete ja elektrooniliste terviseandmetega, seetõttu on andmed nii töös kui ka doktoriõppes minu põhiline töövahend.