Джейми Метцль
Взломать Дарвина: генная инженерия и будущее человечества

Полная версия

Понимание того, как много мы можем узнать из секвенированных клеток, извлеченных из предымплантированного эмбриона в процессе ПГТ, заставляет нас задавать куда более серьезные вопросы о возможностях гена и их важности в определении нашей сути.

Глава 2
Подъем по ступеням сложности

Генетическая революция подарила нам новые способы понимать себя, о которых наши предки вряд ли могли бы мечтать. Попытка объяснить кому-то 20 000 лет назад, что люди состоят из кода, была бы далеко за пределами того, к чему их готовил жизненный опыт. И, вопреки нашей великой и часто обоснованной вере в науку, нам бы посоветовали сохранять то же весьма смиренное принятие мироздания, выходящего за пределы нашего понимания, которым жили наши предки. Ведь считалось, что даже болезни, вызванные одногенными мутациями, – самые простые и очевидные цели для генной инженерии – были ниспосланы нам для большего смирения.

Очевидная связь одногенных мутаций с определенными генетическими заболеваниями стоила десятилетий выстраданного прогресса. Но эта история сложнее, чем кажется. Хотя многие гены, связанные с определенными генетическими заболеваниями, обнаруживались у людей, демонстрирующих симптомы этих заболеваний, о других типах людей, являющихся носителями схожих генетических мутаций, но по каким-то причинам не заболевших, исследователи знают недостаточно. Возможно, от болезни их защищает какой-то ген или гены. Вот почему вполне вероятно, что чем больше людей – всех типов людей, а не только тех, у кого проявляются симптомы конкретных заболеваний, – мы секвенируем, тем лучше поймем всю сложность даже, казалось бы, простой генетики. Так станет понятно, что все мы, в той или иной мере, – генетические мутанты, переносящие мутации, которые могут вызывать заболевания у одних, но не затрагивать других.

Наша сложносогласованная генетика существует внутри еще более сложных и многочисленных биологических систем, среди которых можно выделить эпигеном, транскриптом, протеом, метаболом, микробиом и виром. Затем наша смешанная индивидуальная организация встраивается в более широкий контекст окружающей среды^[50].

Вот почему после ранней эйфории одно или два десятилетия назад ученые стали осторожнее оценивать временные рамки изучения нашей генетики, а также других взаимосвязанных систем внутри и вокруг нас. Благодаря недорогому, быстрому и точному секвенированию генома мы смогли достичь огромных успехов. Однако от наших способностей к сбору данных наши способности эти данные понимать пока что отстают. «Мы допустили ошибку, – рассказал Nature биоинженер Бостонского университета Джеймс Коллинз, – приравняв сбор информации к соответствующему увеличению осмысления и понимания»^[51].

Поступая так же, как испокон веков поступал наш вид, мы привыкли уравновешивать разумное смирение в вопросах технологий с врожденной прометеевской самонадеянностью и имеем на это право. Каждая из сложных биосистем внутри нас будет постепенно расшифрована, и процесс начнется с наших генов.

Поскольку изучить геном человека одним махом – это невыполнимая задача, генетики продвигаются по лестнице сложности, пытаясь понять биологические системы более простых и быстроразмножающихся модельных организмов, например дрожжевых грибов, дрозофил, круглых червей, лягушек, мышей и данио-рерио, многие гены и биологические системы которых схожи с нашими. Поскольку все живые существа произошли от общего предка, их генетика похожа на человеческую в большей или меньшей степени, в зависимости от того, как давно мы от них отделились. Например, общий предок людей и дрозофил жил около 700 миллионов лет назад. Мы отделились от мышей, наших более близких родственников, всего 80 миллионов лет назад, что и объясняет, почему оба наших вида любят сыр (шутка). По этой причине мы делим с дрозофилой 60 % нашей ДНК, а с мышиной наше ДНК схоже на 92 %.

К сожалению для них, эти наши родственники приняли на себя основной удар генетических исследований. Раньше их длительно облучали вредной радиацией для мутации генов, чтобы мы могли увидеть, как различные генетические изменения вызывают конкретные физические проявления. Сегодня же для выделения генов в модельных организмах используется широкий спектр генетических инструментов, а лаборатории по всему миру генетически создают мышей и других животных, которые помогут ученым в изучении различных заболеваний или признаков. Медленно, но верно эти процессы приближают нас к лучшему пониманию того, как функционируют сложные биологические системы.^[52]

В течение многих лет такие исследователи, как Эрик Дэвидсон, биолог из Калифорнийского технологического института, работали над усовершенствованием нашего понимания сложных биологических систем модельных организмов. Дэвидсон систематически нокаутировал, или блокировал, различные белки, управляющие экспрессией генов у морских ежей, и следил за тем, как каждая такая модификация изменяла другие белки и экспрессию генов. Обладая этой информацией, команда Дэвидсона смогла создать подробную динамическую карту взаимодействия различных белков и генов и вывести основные принципы биологической системы морских ежей. Впереди еще много работы, но Дэвидсон характеризует свою работу как «доказательство принципа, что вы можете детально изучить устройство всей системы, если поймете работу ее составляющих»^[53].

Новые генетические инструменты позволяют включать и выключать несколько генов, но для реального понимания того, как гены способствуют развитию сложных человеческих качеств, требуется гораздо более сложная интеграция. Этим и начинает заниматься полногеномный поиск ассоциаций, или GWAS.^[54]

Несмотря на то что генетически все люди скорее похожи, чем различны, наше сравнительно небольшое количество генетических отличий во многом стало причиной нашего разнообразия и болезней. Поэтому наши различия очень важны. В отличие от былых времен, когда мы искали эти типы одногенных мутаций в группах людей с тем же генетическим заболеванием, GWAS анализирует сотни, тысячи и даже миллионы известных генетических вариаций для поиска различий и профилей, которые можно связать с определенными последствиями.

После секвенирования генов порядок оснований Г, А, Ц, Т передается в цифровой файл. В GWAS заложен компьютерный алгоритм, сканирующий геномы больших групп людей в поисках генетических вариаций, связанных с конкретными генетическими заболеваниями или признаками. Каждый GWAS может искать тысячи таких вариаций (которые ученые называют однонуклеотидным полиморфизмом, или SNP^[55]). Чем больше подходящих мутаций будет найдено, тем более точными станут исследования.

Чтобы лучше понять принципы работы GWAS и других процессов для анализа большого объема генетических данных, представьте, что вы пытаетесь осмыслить лес. Другие люди годами ходили по лабиринту деревьев и ветвей и выделили тысячи ключевых областей, в которых происходит все самое важное. Быть может, это водопады, пастбища, особые растения и т. д. Мы знаем, что эти типы участков важны, и это знание основано на нашем опыте путешествий по другим лесам. Один из способов лучше понять этот конкретный лес – посещать каждое из этих значимых участков и наблюдать за происходящим. То же самое GWAS делает на просторе генома, наблюдая за тем, чем занимаются конкретные генетические маркеры, которые были помечены как релевантные для нашей области поиска.

Кроме GWAS, существуют и более новые инструменты секвенирования следующего поколения (NGS). Они позволяют исследователям секвенировать все белок-кодирующие гены, а затем – все гены в данном геноме. Наблюдать за генами, кодирующими белок, – это все равно что найти след, связывающий между собой все ключевые участки леса и позволяющий понять, как эти разные точки на пути соединяются и взаимодействуют друг с другом. Секвенирование целого генома похоже на картинку целого леса. Это более масштабная и сложная работа, которая в конечном итоге позволяет понять лес намного лучше, чем при простом наблюдении за ключевыми участками.^[56]

Сосредоточиться на столь огромном массиве данных, как лес или целый геном, – это куда более сложная аналитическая задача. Нам проще изучить пару водопадов и растений, или несколько целевых генов, чем понять более обширную и сложную экосистему леса или всего генома. Но если бы мы смогли понять эти обширные экосистемы, то узнали бы гораздо больше о лесе и, если говорить о геноме, о нас самих.

Чем дальше мы уходим от изучения того, как одногенная мутация вызывает заболевание или проявление признака, к анализу того, как сложный набор генов и других систем приводит к определенному исходу, тем менее вероятным становится возможность установить причинно-следственную связь, используя только ограниченные ресурсы человеческого мозга. Вот почему для нашей истории так важно пересечение открытий в области генетики и биотехнологий, с одной стороны, и достижений в области искусственного интеллекта (ИИ) и анализа больших данных – с другой.

* * *

Древняя китайская игра в го, которую многие считают самой сложной настольной игрой в мире, долгое время играла центральную роль в китайской культуре и стратегическом мышлении. Доску для го изобрели более 2500 лет назад. Она поделена на 361 квадрат, и на пересечении линий первый игрок выкладывает черные камни, а второй – белые. Каждый игрок поочередно делает ход, пытаясь окружить камни соперника и удалить их из игрового поля. Побеждает тот, кто по окончании игры занимает большую территорию. Чтобы лучше понять всю сложность го, следует помнить, что после первых двух ходов в шахматах у следующего хода есть около 400 возможных вариантов. В го такой ход предполагает около 130 000 возможных вариантов.

Даже после того, как в 1996 году компьютер Deep Blue от IBM победил великого чемпиона по шахматам Гарри Каспарова, многие наблюдатели продолжали верить: пройдет не один десяток лет, прежде чем компьютер сможет победить мировых чемпионов по го, поскольку математическая сложность игры делала вычислительный подход Deep Blue бесполезным. Но затем программа AlphaGo от Google DeepMind задействовала мощные средства машинного обучения, чтобы побороть чемпионов мира по го из Кореи и Китая в серии громких турниров 2016 и 2017 годов, и на это обратил внимание весь мир.

Программа AlphaGo обучалась игре в го анализом сотен тысяч оцифрованных матчей по го среди людей. Позже в 2017 году DeepMind представил Google новую программу AlphaGo Zero, которой не требовалось изучать человеческие турниры. Вместо этого программисты загрузили в алгоритм основные правила игры в го и дали ему команду играть против самого себя, чтобы изучать лучшие стратегии. Через три дня AlphaGo Zero одержал победу над оригинальной программой AlphaGo, которая побеждала признанных гроссмейстеров.

AlphaGo Zero может победить в го любого человеческого игрока, поскольку умеет распознавать образы шаблонов из массивного объема данных, в разы превосходящего возможности отдельного человека. Стремительное развитие ИИ пугает многих, в том числе технологического предпринимателя Илона Маска и ныне покойного Стивена Хокинга, которые высказывали серьезную обеспокоенность тем, что ИИ способен заменить людей, а в будущем – и потенциально навредить им^[57]. На нашем сегодняшнем уровне технологического развития такие страхи остаются чисто теоретическими, но идея с помощью ИИ раскрыть секреты нашей биологии вполне реальна. Уже сейчас понятно, что технология ИИ не заменяет нас, а усиливает наши возможности.

Мы написали уже тысячи книг о том, как информационные и компьютерные технологии меняют способ хранения и обработки информации. В 1880-х годах главным новшеством для обработки казавшихся тогда гигантскими объемов данных служили перфокарты. В 1920-х годах для хранения информации впервые использовали магнитную ленту. Это позволило создать машины, которые смогли расшифровать нацистские и японские секретные коды и помогли выиграть Вторую мировую войну. Вскоре после этого венгеро-американский гений Джон фон Нейман заложил основы современных вычислительных систем, поспособствовавших созданию базовых ЭВМ, персональных компьютеров, а затем – и появлению интернета. В наши дни большие объемы данных и революция в сфере ИИ позволяют нам все лучше разбираться в растущих горах информации, накапливающихся внутри нас и снаружи.

Не случайно первое слово в big-data analytics, или анализе больших данных, – «большой». За последние два года было сгенерировано больше данных, чем за всю историю человечества, что позволяет нам выполнять все более значимые операции в постоянно ускоряющемся процессе развития^[58]. Эта революция в области анализа данных значительно расширяет способность нашего вида решать многие проблемы.

Когда Томас Эдисон изобретал фонограф, лампочку, электрическую сеть, кинетоскоп и многое другое в Менло-Парке, штат Нью-Джерси, он сталкивался с проблемами, которые не получалось решить самостоятельно. Он мог общаться со сравнительно небольшим количеством людей (возможно, несколькими сотнями) и читать ограниченное количество газет или книг. Сегодня же интернет связывает практически всех людей на планете; мы можем не останавливаться на проблемах, которые уже решены другими, и сосредоточиться на задачах, которые нам под силу.

Когда умирали такие выдающиеся люди, как Эдисон, они забирали с собой большую часть своих знаний. Сегодня подавляющее большинство наших знаний и информации хранится в доступных цифровых записях, а разрабатываемые нами инструменты обработки данных и накопления знаний прослужат вечно. Человеческая смерть так и останется индивидуальной и семейной трагедией (да и просто паршивой штукой), но теперь она гораздо меньше влияет на развитие коллективных знаний и всего нашего вида. Уже сегодня большинство из нас, вооружившись смартфонами, стало во многом умнее великих мыслителей прошлого. Мы функционально сливаемся с удивительными и стремительно улучшающимися инструментами и во многом лишь выигрываем от этого.

Достижения в области больших данных и машинного обучения помогают нам анализировать любые виды систем – от градостроительства до беспилотных автомобилей и полетов в космос, – но самым значимым эффектом будет наше понимание биологии вместе со способностью управлять ею. Какой бы сложной ни была победа в шо, научиться распознавать шаблоны в биологии человека – гораздо труднее. Алгоритм AlphaZero от DeepMind – обобщенная версия AlphaGo Zero – не просто чемпион игры в го; он сумел победить ведущих чемпионов-людей и более слабые алгоритмы в шахматах, а также японской стратегической игре сеги. Правила этих игр, загруженные AlphaZero, просты и понятны. Может, когда-то нам станут известны и правила нашей биологии. А пока что мы, люди, даже вооружившись возможностями ИИ, лишь пытаемся их найти.

Пытаясь постичь эти знания и разгадать человеческий геном, передовые ученые используют инструменты для анализа больших данных и глубокое обучение. Программное обеспечение для глубокого обучения используют не только для более точной диагностики по снимкам рака молочной железы и других видов онкологии, но и для синтеза геномной информации пациентов и электронных медицинских карт, позволяющих проводить раннюю диагностику и даже прогнозировать заболевания.

Ускорить этот процесс стремятся компании по всему миру. Например, инновационная канадская компания Deep Genomics объединяет ИИ и геномику, пытаясь выявить закономерности проявления заболеваний, потому что, по словам ее представителей, «в будущем медицина будет всецело полагаться на искусственный интеллект, поскольку для человеческого разума биология слишком сложна»^[59]. Недавно Google и китайская компания WuXi NextCODE выпустили очень сложные облачные системы ИИ, разработанные, чтобы помочь разобраться в огромных объемах данных от секвенирования генов. Бостонская компания Biogen активно изучает возможности обнаружения значимых закономерностей в гигантских наборах данных с помощью квантовых вычислений^[60].

Точки соприкосновения ИИ с геномикой станут еще более частыми по мере того, как начнут усложняться методы глубокого обучения, наборов данных по секвенированным геномам станет еще больше, а наша способность разбираться в основополагающих принципах наших биологических систем вырастет.

По мере расширения наборов геномных данных ученые научатся использовать инструменты ИИ, чтобы лучше понимать, как сложные генетические закономерности приводят к определенным последствиям. Реальная выгода заключается не только в секвенировании очень большого количества людей, но и в сравнении их генотипов (то есть генетической разметки) с фенотипами (тем, как эти гены проявляют себя в течение жизни). Чем больше секвенированных геномов можно сопоставить с подробным анамнезом, взятым из общей базы данных, тем быстрее мы поймем, чем занимаются наши гены и другие биологические системы.

В 2017 году журнал The Economist написал следующее: «Самый ценный ресурс в нашем мире – это уже не нефть, а данные»^[61]. В случае с геномикой речь идет о высококачественных данных, которые сопоставляют биологию людей с наиболее специфичной информацией о других аспектах их жизни^[62].

Чтобы объединить гигантские наборы генетических данных с анамнезом пациентов, потребуются более-менее унифицированные электронные медицинские карты, а их будут анализировать алгоритмы ИИ. Сегодняшнее разнообразие систем по организации медицинских карт и анамнестических данных делает совместное использование больших массивов геномных данных излишне сложным.

В идеальном мире полный геном каждого из нас секвенирован, а все личные и медицинские данные – скрупулезно перенесены в стандартизированную электронную медкарту, размещенную в открытой сети и доступную для исследователей. Однако в реальном мире идея о выставлении самой сокровенной информации напоказ в открытой базе данных с возможностью поиска пугает многих из нас, и небезосновательно. Тем не менее различные исследователи, компании и государства по всему миру изучают подходы к нахождению золотой середины между нашей коллективной потребностью в массивах больших данных и желанием индивида сохранить свою приватность.^[63]

* * *

Исландия – это одно из самых генетически однородных обществ в мире. Исландия была заселена большим количеством общих предков в XIX веке, и с тех пор спросом у мигрантов не пользовалась. Здесь содержат подробные генеалогические данные, сведения о рождении, смерти и здоровье, уходящие в глубь веков, а сама страна является идеальным полигоном для генетических исследований. В 1996 году исландский невролог Кари Стефанссон основал компанию deCODE Genetics, ставящую перед собой амбициозную задачу разработать генофонд исландцев, чтобы лучше понять целый ряд заболеваний и найти от них лекарства. Чтобы получить необходимые данные, deCODE договорилась с парламентом Исландии о предоставлении доступа к медицинским картам граждан и убедила исландцев, многие из которых затем стали акционерами компании, сдать кровь для исследований.

Когда в 1998 году швейцарский фармацевтический гигант Hoffmann-La Roche купил deCODE за 200 миллионов долларов, многие исландцы почувствовали себя обманутыми. Последовавший за этим судебный процесс лишил deCODE доступа к национальной системе медицинских карт и потребовал, чтобы каждый человек давал согласие на передачу своих личных данных. Но после того как deCODE и Hoffman-La Roche предложили отдельным гражданам бесплатный доступ к любым лекарствам, разработанным в рамках совместной работы, многие исландцы вернулись в программу.

В настоящее время deCODE хранит 100 000 образцов крови и использует свой генофонд и банк данных для обнаружения генов, связанных с различными заболеваниями. Кроме того, компания также разработала новый метод лечения сердечных приступов^[64]. В начале 2018 года еще один фармацевтический гигант, AstraZeneca, заявил о том, что к 2026 году планирует секвенировать полмиллиона геномов из своих собственных клинических исследований^[65].

В мероприятиях по накоплению больших массивов генетических данных также активно участвуют правительства. Британский проект 100 000 Genomes Project от Genomic England, помпезно запущенный премьер-министром Дэвидом Кэмероном в 2012 году, секвенирует геномы пациентов Национальной службы здравоохранения с редкими заболеваниями и раком, а также их семей. Поставив перед собой цель сопоставить генетическую информацию с медицинскими картами, чтобы лучше понимать и совершенствовать методы лечения генетических заболеваний, 100 000 Genomes Project стремится «дать толчок развитию геномной отрасли в Великобритании»^[66]. NHS Genomic Medicine Service решил поднять планку и в октябре 2018 года заявил, что всем взрослым людям с определенными формами рака или редких заболеваний предложат провести секвенирование полного генома, чтобы за ближайшие пять лет собрать образцы 5 миллионов британцев.

Американцы могут подумать, что отсутствие единой национальной системы здравоохранения намного усложняет правительственные инициативы в этой отрасли. Однако недавно запущенная программа говорит об обратном. Весной 2018 года, после нескольких лет простоя, Национальные институты здравоохранения США начали предлагать отобранному миллиону американцев из всех социально-экономических, этнических и расовых групп передавать свои секвенированные геномы, медицинские карты, стандартные образы крови и прочую личную информацию в проект All of Us Research Program^[67]. Для этой программы Конгресс выделил 10-летний бюджет в размере 1,45 миллиарда долларов и разместил центры для сбора биометрических данных по всем Соединенным Штатам.

Если правительству удастся решить проблемы с конфиденциальностью данных и бюрократическими проволочками, то у этой программы есть все шансы сильно продвинуть генетические исследования. Министерство по делам ветеранов США также запустило свой собственный биобанк – Million Veterans Program. Ожидается, что к 2025 году эта программа сможет секвенировать геномы миллиона ветеранов и сопоставить их генотипы с медицинскими картами и учетно-послужными карточками^[68].

Кроме того, появляются креативные модели частного сектора, которые пытаются сбалансировать заинтересованность общества в наличии крупных и доступных массивов генетической информации с желанием многих людей самостоятельно управлять своими генетическими данными. LunaDNA, молодая компания из Сан-Диего, созданная бывшими сотрудниками Illumina, стремится объединить множество небольших и разнородных наборов генетических данных, которые хранятся в нескольких компаниях и клиниках, в базу с возможностью поиска. Компания поощряет людей, готовых делиться своей генетической информацией, криптовалютой^[69]. Это очень правильный подход, поскольку скоро секвенированные геномы людей, равно как и их история поиска в браузере, будут иметь большое коммерческое значение, и эту выгоду следует разделить с потребителями. Бостонский Personal Genome Project пытается создать из массивов национальных генетических данных публичный альянс^[70].

Возможно (и неудивительно!), что Китай вступил на самый агрессивный путь создания собственного генофонда в промышленном масштабе. Например, недавно объявленная программа с 15-летними инвестициями в размере 9 миллиардов долларов направлена на развитие национального лидерства в области точной медицины и подавление аналогичных программ по всему миру^[71]. Тринадцатая пятилетка по развитию биотехнологической промышленности, разработанная Национальной комиссией по развитию и реформам Китая, нацелена на получение геномов по меньшей мере 50 % всех новорожденных (включая прегестационное, пренатальное и неонатальное тестирования) к 2020 году и поддержку сотен отдельных проектов по секвенированию геномов и сбору клинических данных с частными компаниями и местными органами власти^[72]. Китай также активно продвигается к созданию единого и общедоступного формата для ведения электронных медицинских карт по всей стране и обеспечению того, чтобы способы защиты конфиденциальных данных не мешали исследователям, компаниям и правительству получать доступ к информации.

Ожидается, что аналогичные программы по всему миру в ближайшее десятилетие позволят секвенировать порядка 2 миллиардов человеческих геномов^[73]. Интерпретация огромного массива данных, сопоставление его с электронными медкартами и анамнезом, а также интеграция с большим набором данных из других биологических систем человека – все это требует гораздо большей вычислительной мощности, чем доступна нам сейчас. Но с развитием потенциала суперкомпьютеров во всем мире исчезают почти все сомнения в том, что эта цель достижима^[74].

Объединение такого гигантского объема личной и генетической информации в публичную и оцифрованную базу данных станет почти что невыполнимой задачей, если каждый человек начнет принимать индивидуальное решение, секвенировать собственный геном или нет. Вместо этого геномы будут секвенироваться у большинства тех, кто родился с помощью ЭКО и отбора эмбрионов, обращался к врачу или посещал больницу. Все это станет частью стандартной, как измерение пульса сегодня, процедуры, которая поможет коллективно перейти от системы универсальной медицины к новому миру персонализированной, то есть точной, медицины.

* * *

Наш современный мир медицины в основном базируется на средних значениях. Например, не всякое лекарство помогает всем людям на планете. Но даже если лекарство эффективно хотя бы для умеренного процента людей, то регуляторные структуры часто его утверждают. Если же вы придете в кабинет обычного врача с состоянием, которое можно вылечить данным препаратом, то есть чрезвычайно простой способ убедиться в его эффективности – просто попробовав. Если вы приняли обычный антикоагулянт варфарин и он вам помог, это доказывает, что препарат вам подходит. Если вы – один из 100 человек, у которых варфарин вызывает внутреннее кровотечение и, возможно, летальный исход, то вы об этом точно узнаете, но иногда слишком поздно.

Во времена, когда нам не хватало знаний об особенностях работы отдельных организмов, общая медицина была нашим единственным способом врачевания. В грядущей эре персонализированной медицины такой подход сравним с лечением пиявками. Вместо обращения к обычному врачу вас диагностирует пара из врача и ИИ. Все лечение заболеваний, от головных болей до онкологии, будут подбирать исходя из эффективности препаратов именно для вас. Медицинская помощь и медкарта будут основываться на индивидуальной биологии каждого человека, включая возраст и пол, состояние микробиома, метаболические показатели и гены.

«Врачи всегда признавали, что каждый пациент уникален, – заявил президент США Барак Обама в своем ежегодном послании Конгрессу в 2015 году, – и врачи всегда пытались как можно лучше адаптировать схему лечения к особенностям организма. Теперь вы можете проводить переливание крови, исходя из ее группы, – это стало важным открытием. Но что если сопоставлять лечение от рака с нашим генетическим кодом так же просто? Что если подбор правильной дозы препарата не сложнее измерения температуры?» Вскоре после этого администрация Обамы объявила о старте Precision Medicine Initiative, призванной создать «новую эры медицины, в которой исследования, технологии и программы позволят пациентам, исследователям и поставщикам услуг вместе работать над развитием персонифицированной терапии»^[75].

Прогресс в этом направлении измеряется по одной инициативе за раз. В 2018 году Geisinger Health System из Данвилла, штат Пенсильвания, заявила, что предлагает всем своим пациентам бесплатное секвенирование генома в рамках стандартных профилактических мер. Предварительное исследование Geisinger показало действенные результаты у 3,5 % пациентов^[76]. Выявление потенциальных опасностей в будущем может быть полезно пациентам и способно спасти жизни. Что до системы здравоохранения, то секвенирование генома пациентов позволяет улучшить качество лечения. Кроме того, оно может даже увеличивать доход от использования дополнительных услуг в краткосрочной перспективе и экономить средства за счет предотвращения более серьезных заболеваний. С точки зрения общества раннее выявление генетических аномалий в перспективе может сделать население более здоровым и снизить последующие траты на уход.^[77]

Несмотря на то что неэффективность систем здравоохранения, слабые познания в генетике у врачей общей практики и консервативность медицинской культуры в целом по всему миру могут замедлить этот переход, миллионы, а затем и миллиарды людей повсеместно со временем секвенируют свой геном, и это станет сдвигом в сторону персонализированной медицины^[78]. Благодаря этому процессу все больше и больше данных о генетике, жизни и здоровье нашего вида будут переноситься в электронный вид, позволяя нам проводить анализ сложных биологических процессов в промышленных масштабах.

Чем больше людей секвенирует геном, тем ниже становится стоимость процедуры, а наши вычислительные мощности для проведения необходимых аналитических исследований больших данных возрастают, равно как и наше понимание сложных генетических закономерностей. Помимо лучшего понимания эффекта от растущего числа одногенных мутаций, мы начинаем изучать более сложные генетические закономерности, способные привести к таких патологиям, обусловленным полимерными, или множественными, генами, как ишемическая болезнь сердца, диабет и гипертония.

Этот процесс уже идет полным ходом. Исследователи из Института Брода разрабатывают алгоритм и сайт, которые позволят людям оценить свою генетическую предрасположенность к ряду комплексных заболеваний, включая ишемическую болезнь сердца, мерцательную аритмию, диабет второго типа, воспалительное заболевание кишечника и рак молочной железы. Письмо института в Nature Genetics, датированное августом 2018 года, гласит: «Для ряда распространенных заболеваний при идентичном или даже большем риске заболеваний обнаружение полигенных мутаций позволяет выявить значительно большую долю населения, чем это возможно при анализе редких моногенных мутаций»^[79].

Genomic Prediction, стартап, основанный в 2017 году Стивеном Хсу, использует передовые методы компьютерного моделирования для оценки процентного риска отдельно взятых предымплантированных эмбрионов к развитию ряда признаков и сложных генетических отклонений, включая умственную отсталость^[80]. Компания является ранним примером расширенного ПГТ будущего. Такой «полигенный рейтинг», основанный на статистических вероятностях, станет связующим звеном между высокой достоверностью наших сегодняшних предсказаний многих отклонений, вызванных моногенными мутациями, и нашей будущей способностью к обнаружению более сложных нарушений, обусловленных как минимум сотнями или тысячами генов.