一例罕见的非典型鱼雷状黄斑病变

《Delhi Journal of Ophthalmology》：A Rare Case of Atypical Torpedo Maculopathy

眼科遗传学正通过基因组学和NGS技术革新诊断与治疗，AI和机器学习在疾病预测及复杂眼病（如青光眼、AMD）的多基因分析中发挥关键作用，同时面临资源限制、伦理问题及跨学科协作挑战。

　　

眼遗传学正在改变眼科领域。人类基因组计划通过对人类基因组的完整测序^[1]以及单核苷酸多态性（SNPs）的绘制^[2]，产生了重大影响。曾经是一个小众领域的遗传学研究，如今在理解遗传性眼病（GED）和获得性眼疾方面发挥着核心作用。遗传学见解正在指导从视网膜营养不良、先天性青光眼到年龄相关性黄斑变性（AMD）、近视和糖尿病视网膜病变（DR）等疾病的诊断、治疗和预防。

基因检测在诊断诸如视网膜色素变性（RP）、莱伯先天性黑蒙（LCA）和斯特加特病等罕见遗传性眼病方面发挥着至关重要的作用。这些疾病由于临床特征的重叠、表型变异性和遗传异质性，给诊断带来了挑战。下一代测序（NGS）^[3]，包括基因组面板测序、全外显子测序和全基因组测序，极大地改变了基因检测的方式。NGS能够快速同时处理数百万个DNA片段，使临床医生能够在一次检测中分析多个基因，并将基因检测整合到临床实践中。 随着针对基因型特异性治疗方法的出现，分子诊断将变得更加重要。例如，Voretigene Neparvovec（Luxturna）用于治疗RPE65介导的LCA，这一案例成功地将重大研究发现转化为临床实践^[4]。新的基因载体已被开发出来用于治疗其他遗传性疾病，尤其是那些不适合传统基因替代策略的大型、多重或显性突变。像CRISPR-Cas9这样的基因组编辑技术的进步，正朝着在IRD（遗传性眼病）中的治疗应用方向发展^[5]。 包括青光眼、AMD、DR和近视在内的复杂眼病通常具有多基因遗传特性，并受到可改变的环境因素的影响。最近关于多基因风险评分（PRS）的研究表明，在青光眼的情况下，遗传风险分析可以补充影像学检查和眼压测量，从而实现更早的检测和个性化治疗^[6]。 人工智能（AI）在帮助分析基因型与表型之间的关联以及解读影像学数据方面具有巨大潜力^{[7, 8]}。机器学习（ML）能够检测非线性关系，并结合来自基因变异、影像生物标志物和环境因素的各种信息，为多基因疾病的复杂遗传机制提供更深入的见解。研究人员利用深度学习发现了特定基因敲除如何影响青光眼的小梁网细胞（TMC）形态并调节眼内压（IOP）^{[9]。在AMD领域，基于基因型和多模态影像数据的机器学习模型正在被开发，以预测疾病的发生和发展，从而指导早期干预和更精确的治疗[10]}。眼睛是观察身体的窗口，而借助AI驱动的基因组学，它也成为了理解疾病、提供个性化护理和开发下一代治疗方法的窗口。 基因检测肩负着重要责任。由于获取途径有限、眼科医生在遗传学知识方面的不足以及结果解读的挑战，眼遗传学在临床实践中的作用受到了限制。直接面向消费者的基因检测服务的兴起和个人数据隐私问题也引发了伦理和心理社会方面的问题，尤其是在没有治疗方法的情况下。检测成本高昂、需要多学科团队的参与以及遗传咨询师资源稀缺等因素进一步增加了复杂性。虽然分子诊断非常强大，但它只是遗传性眼病患者治疗过程中的一个环节。需要建立健全的政策框架，并在眼科医生、分子遗传学家和遗传咨询师之间建立跨学科的合作平台，以确保以患者为中心的服务。 随着检测成本的降低和公众意识的提高，即使在资源匮乏的环境中，基因检测也将变得可行。临床医生必须将眼遗传学视为眼科护理的重要组成部分。遗传学诊断罕见眼病是一项临床和伦理责任。每位遗传性眼病患者都应获得清晰的解释、支持，以及基于准确信息的预后评估和治疗选择。临床医生必须负责任地实施精准眼科护理，以确保每位患者都能获得最佳的治疗效果。