دانشمندان ابزار هوش مصنوعی را برای پیش بینی شروع بیماری پارکینسون توسعه دادند

دانشمندان UNSW سیدنی و همکارانش در دانشگاه بوستون ابزاری ابداع کرده‌اند که سال‌ها قبل از شروع اولین علائم بیماری پارکینسون را تشخیص می‌دهد.

در تحقیقی که امروز در مجله منتشر شد علوم مرکزی ACSمحققان نحوه استفاده از شبکه های عصبی را برای تجزیه و تحلیل نشانگرهای زیستی در مایعات بدن بیماران شرح دادند.

محققان دانشکده شیمی UNSW نمونه‌های خون گرفته شده از افراد سالم را که توسط تحقیقات آینده‌نگر اروپایی در زمینه سرطان و تغذیه (EPIC) جمع‌آوری شده بود، بررسی کردند. این تیم با تمرکز بر روی 39 بیمار که تا 15 سال بعد به پارکینسون مبتلا شده بودند، برنامه یادگیری ماشینی خود را بر روی مجموعه داده‌هایی که حاوی اطلاعات گسترده‌ای در مورد متابولیت‌ها بود – ترکیبات شیمیایی که بدن هنگام تجزیه غذا، دارو یا مواد شیمیایی ایجاد می‌کند، اجرا کرد.

پس از مقایسه این متابولیت ها با متابولیت های 39 بیمار کنترل همسان – افرادی که در همان مطالعه به پارکینسون مبتلا نشدند – تیم موفق شد ترکیبات منحصر به فردی از متابولیت ها را شناسایی کند که می تواند از بروز پارکینسون جلوگیری کند یا به طور بالقوه علائم هشدار دهنده اولیه برای پارکینسون باشد.

همانطور که دایانا ژانگ، محقق UNSW توضیح می دهد، او و دانشیار دبلیو الکساندر دونالد ابزار یادگیری ماشینی به نام CRANK-MS را توسعه دادند که مخفف عبارت طبقه بندی و تجزیه و تحلیل رتبه بندی با استفاده از شبکه عصبی دانش از طیف سنجی جرمی تولید می کند.

ژانگ می گوید: «متداول ترین روش تجزیه و تحلیل داده های متابولومیک از طریق رویکردهای آماری است.

بنابراین برای اینکه بفهمیم کدام متابولیت‌ها برای بیماری در مقایسه با گروه‌های کنترل مهم‌تر هستند، محققان معمولاً به همبستگی‌های مربوط به مولکول‌های خاص نگاه می‌کنند.

اما در اینجا ما در نظر می‌گیریم که متابولیت‌ها می‌توانند با متابولیت‌های دیگر ارتباط داشته باشند – جایی که یادگیری ماشینی وارد می‌شود. با صدها تا هزاران متابولیت، ما از قدرت محاسباتی برای درک آنچه در حال وقوع است استفاده کرده‌ایم.

الف/ پروفسور دونالد می گوید که محققان علاوه بر بررسی ترکیبی از متابولیت ها، از فهرستی ویرایش نشده از داده ها استفاده کردند.

او می‌گوید: «معمولاً، محققانی که از یادگیری ماشینی برای بررسی همبستگی‌های بین متابولیت‌ها و بیماری استفاده می‌کنند، ابتدا تعداد ویژگی‌های شیمیایی را کاهش می‌دهند، قبل از اینکه آن‌ها را وارد الگوریتم کنند.

“اما در اینجا ما تمام اطلاعات را بدون هیچ گونه کاهش داده در همان ابتدا وارد CRANK-MS می کنیم. و از این طریق، می توانیم پیش بینی مدل را بدست آوریم و شناسایی کنیم که کدام متابولیت ها بیشترین پیش بینی را انجام می دهند، همه در یک مرحله. به این معنی است که اگر متابولیت هایی وجود داشته باشد که ممکن است با استفاده از روش های معمولی از دست رفته باشند، اکنون می توانیم آنها را انتخاب کنیم.”

چگونه این می تواند برای بیماری پارکینسون مهم باشد

در حال حاضر بیماری پارکینسون با مشاهده علائم فیزیکی مانند لرزش دست در حالت استراحت تشخیص داده می شود. هیچ آزمایش خون یا آزمایشگاهی برای تشخیص موارد غیر ژنتیکی آن وجود ندارد. اما علائم غیر معمول مانند اختلال خواب و بی تفاوتی می تواند در افراد مبتلا به پارکینسون چندین دهه قبل از بروز علائم حرکتی ظاهر شود. بنابراین، CRANK-MS می تواند در اولین نشانه این علائم غیر معمول برای رد یا حذف خطر ابتلا به پارکینسون در آینده مورد استفاده قرار گیرد.

با این حال، A/Prof Donald تاکید می کند که مطالعات اعتبار سنجی با استفاده از گروه های بسیار بزرگتر مورد نیاز است و قبل از اینکه ابزار به طور قابل اعتماد استفاده شود، در چندین بخش از جهان انجام شود. اما در گروه محدودی که برای این مطالعه مورد بررسی قرار گرفت، نتایج امیدوارکننده بود، با CRANK-MS قادر به تجزیه و تحلیل مواد شیمیایی موجود در خون برای تشخیص بیماری پارکینسون با دقت تا 96 درصد بود.

او می گوید: «این مطالعه در سطوح مختلف جالب است.

“اول، دقت برای پیش‌بینی بیماری پارکینسون قبل از تشخیص بالینی بسیار بالا است. دوم، این رویکرد یادگیری ماشینی ما را قادر می‌سازد تا نشانگرهای شیمیایی را شناسایی کنیم که در پیش‌بینی دقیق بیماری پارکینسون در آینده مهم‌ترین هستند. سوم، برخی از آنها از نشانگرهای شیمیایی که بیشترین پیش‌بینی دقیق را انجام می‌دهند، قبلاً توسط دیگران در مورد بیماری پارکینسون در سنجش‌های مبتنی بر سلول دخیل بوده‌اند، اما در انسان نه.»

غذای فکر

هنگام بررسی متابولیت های افرادی که در این مطالعه به پارکینسون مبتلا شدند، یافته های جالبی به دست آمد.

برای مثال، تری ترپنوئیدها در غلظت‌های کمتری در خون افرادی که بعداً به بیماری پارکینسون مبتلا شده‌اند در مقایسه با افرادی که به بیماری پارکینسون مبتلا نشدند، یافت شد. Triterpenoids یک محافظ عصبی شناخته شده است که استرس اکسیداتیو را تنظیم می کند و معمولا در غذاهایی مانند سیب، زیتون و گوجه فرنگی یافت می شود. یک مطالعه آینده می تواند بررسی کند که آیا خوردن این غذاها به طور طبیعی می تواند از ابتلا به بیماری پارکینسون محافظت کند یا خیر.

همچنین وجود مواد آلکیل پلی فلورینه (PFAS) در افرادی که به پارکینسون مبتلا شدند، ارزش کاوش بیشتر داشت که می‌توانست با قرار گرفتن در معرض مواد شیمیایی صنعتی مرتبط باشد.

پروفسور دونالد می گوید: “ما شواهدی داریم که نشان می دهد PFAS است، اما برای اطمینان 100 درصدی به داده های شخصیت پردازی بیشتری نیاز داریم.”

رایگان برای همه در دسترس است

CRANK-MS ابزاری است که به صورت عمومی در دسترس هر محققی است که مایل به استفاده از یادگیری ماشینی برای تشخیص بیماری با استفاده از داده های متابولومیک است.

ژانگ می گوید: «ما مدل را به گونه ای ساخته ایم که برای هدف مناسب باشد.

“کاربرد CRANK-MS برای تشخیص بیماری پارکینسون تنها نمونه ای از این است که چگونه هوش مصنوعی می تواند روش های تشخیص و نظارت بر بیماری ها را بهبود بخشد. آنچه هیجان انگیز است این است که CRANK-MS می تواند به راحتی در سایر بیماری ها برای شناسایی نشانگرهای زیستی جدید مورد علاقه استفاده شود.”

“این ابزار کاربرپسند است که در آن به طور متوسط ​​می توان نتایج را در کمتر از 10 دقیقه در یک لپ تاپ معمولی ایجاد کرد.”