استفاده از یادگیری ماشینی برای استخراج علل مختلف از علائم مشابه


همان علامت - علت متفاوت؟

رئیس گروه تحقیقاتی LipiTUM، دکتر جوش کنستانتین پاولینگ (سمت چپ) و دانشجوی دکترا، نیکولای کوهلر (راست) تغییرات مرتبط با بیماری در متابولیسم لیپیدها را با استفاده از یک شبکه جدید توسعه یافته تفسیر می کنند. اعتبار: LipiTUM

یادگیری ماشینی نقش فزاینده ای در تحقیقات زیست پزشکی ایفا می کند. اکنون دانشمندان دانشگاه فنی مونیخ (TUM) روش جدیدی را برای استفاده از داده های مولکولی برای استخراج انواع فرعی از بیماری ها ایجاد کرده اند. در آینده، این روش می تواند به حمایت از مطالعه گروه های بزرگتر بیماران کمک کند.

امروزه پزشکان بیشتر بیماری ها را بر اساس علائم تعریف و تشخیص می دهند. با این حال، این لزوماً به این معنا نیست که بیماری های بیماران با علائم مشابه دلایل یکسانی داشته باشند یا تغییرات مولکولی مشابهی را نشان دهند. در زیست پزشکی، اغلب از مکانیسم های مولکولی یک بیماری صحبت می شود. این به تغییرات در تنظیم ژن ها، پروتئین ها یا مسیرهای متابولیک در شروع بیماری اشاره دارد. هدف پزشکی طبقه بندی شده طبقه بندی بیماران به زیرگروه های مختلف در سطح مولکولی به منظور ارائه درمان های هدفمندتر است.

الگوریتم‌های یادگیری ماشینی جدید می‌توانند به استخراج زیرگروه‌های بیماری از مجموعه‌های بزرگ داده‌های بیمار کمک کنند. آنها برای تشخیص مستقل الگوها و همبستگی ها در اندازه گیری های بالینی گسترده طراحی شده اند. گروه تحقیقاتی جوان LipiTUM به سرپرستی دکتر جوش کنستانتین پاولینگ از کرسی بیوانفورماتیک تجربی الگوریتمی را برای این منظور توسعه داده است.

تجزیه و تحلیل پیچیده از طریق ابزار وب خودکار

روش آنها نتایج الگوریتم های موجود را برای به دست آوردن پیش بینی های دقیق تر و قوی تر از زیرگروه های بالینی ترکیب می کند. این ویژگی ها و مزایای هر الگوریتم را یکسان می کند و تنظیم زمان بر آنها را حذف می کند. دکتر پاولینگ گزارش می دهد: «این کار استفاده از تجزیه و تحلیل در تحقیقات بالینی را بسیار آسان تر می کند. به همین دلیل، ما ابزاری مبتنی بر وب ایجاد کرده‌ایم که امکان تجزیه و تحلیل آنلاین داده‌های بالینی مولکولی را توسط پزشکان بدون دانش قبلی از بیوانفورماتیک فراهم می‌کند.

در وب سایت، محققان می توانند داده های خود را برای تجزیه و تحلیل خودکار ارسال کنند و از نتایج برای تفسیر مطالعات خود استفاده کنند. “یک جنبه مهم دیگر برای ما تجسم نتایج بود. رویکردهای قبلی قادر به ایجاد تجسم شهودی از روابط بین گروه های بیمار، عوامل بالینی و امضاهای مولکولی نبودند. این با تجسم مبتنی بر وب تولید شده توسط ابزار MoSBi ما تغییر خواهد کرد.” تیم رز، دانشمند دانشکده علوم زیستی TUM می گوید. MoSBi مخفف امضاهای مولکولی با استفاده از دو خوشه بندی است. Biclustering نام فناوری مورد استفاده الگوریتم است.

درخواست برای سوالات مرتبط بالینی

با استفاده از این ابزار، اکنون محققان می توانند برای مثال، داده های مطالعات سرطان و شبیه سازی ها را برای سناریوهای مختلف نمایش دهند. آنها قبلاً پتانسیل روش خود را در یک مطالعه بالینی در مقیاس بزرگ نشان داده اند. در یک مطالعه مشارکتی که با محققان موسسه ماکس پلانک در درسدن، دانشگاه فنی درسدن و کلینیک دانشگاه کیل انجام شد، آنها تغییر در متابولیسم لیپید در کبد بیماران مبتلا به بیماری کبد چرب غیر الکلی (NAFLD) را مورد مطالعه قرار دادند.

این بیماری گسترده با چاقی و دیابت مرتبط است. این بیماری از کبد چرب غیرالکلی (NAFL) که در آن لیپیدها در سلول‌های کبد رسوب می‌کنند، تا استئاتوهپاتیت غیرالکلی (NASH) که در آن کبد بیشتر ملتهب می‌شود، تا سیروز کبدی و تشکیل تومورها ایجاد می‌شود. به غیر از تنظیم رژیم غذایی، هیچ درمانی تا به امروز پیدا نشده است. از آنجایی که این بیماری با تجمع لیپیدهای مختلف در کبد مشخص و تشخیص داده می شود، درک ترکیب مولکولی آنها مهم است.

نشانگرهای زیستی برای بیماری کبد

با استفاده از روش MoSBi، محققان توانستند ناهمگونی کبد بیماران در مرحله NAFL را در سطح مولکولی نشان دهند. دکتر پاولینگ می‌گوید: “از نقطه نظر مولکولی، سلول‌های کبدی بسیاری از بیماران NAFL تقریباً مشابه سلول‌های بیماران NASH بودند، در حالی که بقیه هنوز تا حد زیادی شبیه به بیماران سالم بودند. ما همچنین می‌توانیم پیش‌بینی‌های خود را با استفاده از داده‌های بالینی تایید کنیم.” سپس ما توانستیم دو نشانگر زیستی لیپیدی بالقوه را برای پیشرفت بیماری شناسایی کنیم. این برای تشخیص زودهنگام بیماری و پیشرفت آن و توسعه درمان های هدفمند مهم است.

این گروه تحقیقاتی در حال حاضر روی کاربردهای بیشتر روش خود کار می کنند تا درک بهتری از سایر بیماری ها به دست آورند. دکتر پاولینگ می‌گوید: «در آینده الگوریتم‌ها حتی نقش بیشتری در تحقیقات زیست‌پزشکی نسبت به امروز خواهند داشت. آنها می‌توانند تشخیص مکانیسم‌های پیچیده و یافتن رویکردهای درمانی هدفمندتری را به‌طور قابل توجهی آسان‌تر کنند».

این تحقیق در منتشر شد مجموعه مقالات آکادمی ملی علوم.


دانشمندان به دقت نشان می دهند که چگونه بیماری کبد چرب غیر الکلی خطر ابتلا به بیماری های عروقی را افزایش می دهد


اطلاعات بیشتر:
تیم دانیل رز و همکاران، MoSBi: استخراج خودکار امضا برای طبقه بندی مولکولی و زیرتایپ، مجموعه مقالات آکادمی ملی علوم (2022). DOI: 10.1073/pnas.2118210119

Olga Vvedenskaya و همکاران، طبقه بندی بیماری کبد چرب غیر الکلی توسط لیپیدومیکس کبد، مجله تحقیقات لیپید (2021). DOI: 10.1016/j.jlr.2021.100104

وب سایت MoSBi: exbio.wzw.tum.de/mosbi/

ارائه شده توسط دانشگاه فنی مونیخ

نقل قول: استفاده از یادگیری ماشینی برای استخراج علل مختلف از علائم مشابه (2022، 27 مه) در 27 مه 2022 از https://medicalxpress.com/news/2022-05-machine-derive-symptoms.html بازیابی شده است.

این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.