Choroba Parkinsona występuje dość często, jednak do tej pory nieznana jest dokładna przyczyna jej rozwoju. Naukowcy opracowali metodę wykorzystującą sztuczną inteligencję do wczesnego wykrywania objawów choroby Parkinsona. Badania zostały przeprowadzone przez zespół międzynarodowych naukowców, którzy skupili się na analizie biomarkerów powiązanych z tą chorobą.
Choroba Parkinsona to schorzenie neurologiczne, które przede wszystkim dotyka osoby starsze — wraz z wiekiem i postępom choroby, jej objawy ulegają nasileniu. Nie zagłębiając się w anatomiczną terminologię, chodzi o zaburzenia pracy układu pozapiramidowego, który odpowiada za kontrolowanie czynności ruchowej. Do charakterystycznych objawów należą zaburzenia ruchowe oraz towarzyszące im drżenie kończyn. Często pojawia się też enigmatyczna fraza, tzw. sztywność osobowości, która oznacza spłycenie afektu emocjonalnego. Inne przejawy to: spowolnienie ruchów, mrowienie w kończynach, a także depresyjne zaburzenia osobowości. Występują tu również całkiem nietypowe objawy jak zaburzenia snu, apatia i mogą pojawiać się one dekady przed oficjalną diagnozą. Ta choroba neurodegeneracyjna dopada częściej mężczyzn i jest to jedno z najczęściej występujących schorzeń (częstsze są tylko przypadki osób dotkniętych chorobą Alzheimera).
Czy sztuczna inteligencja rozwiąże problemy z diagnostyką?
Naukowcy z University of New South Wales we współpracy z Boston University opracowali narzędzie, które potrafi wykryć chorobę kilka lat przed diagnozą. Badaczy wykorzystali sieci neuronowe do analizy biomarkerów w płynach ustrojowych pacjentów, jak można przeczytać w artykule opublikowanym w czasopiśmie ACS Central Science.
W ramach projektu skoncentrowano się na trzydziestu dziewięciu uczestnikach, u których choroba Parkinsona rozwinęła się nawet 15 lat później, zespół badawczy opracował program uczenia maszynowego. Wykorzystano tu zbiory danych, zawierających obszerne informacje o metabolitach — związkach chemicznych powstających w organizmach żywych w wyniku wymiany materii (PWN)
Po porównaniu tych metabolitów z trzydziestoma dziewięcioma pacjentami z grupy kontrolnej, u których nie rozwinęła się choroba Parkinsona. Dzięki temu zespół był w stanie zidentyfikować unikalne kombinacje metabolitów, które mogą zapobiegać lub potencjalnie stanowić o wczesnych objawach ostrzegawczych tego schorzenia.
Jak podaje NeuroScience, badaczka z UNSW, Diana Zhang we współpracy z profesorem Alexander Donald’em opracowała narzędzie wykorzystujące uczenie maszynowe o nazwie CRANK-MS. Nazwa wywodzi się od klasyfikacji i analizy rankingowej przy użyciu sieci neuronowej, która generuje wiedzę ze spektrometrii mas. Wynika to z faktu, że podejścia statystyczne stanowią najpopularniejszą metodę analizy danych metabolomicznych.
Aby dowiedzieć się, które metabolity są bardziej znaczące dla choroby w porównaniu z grupami kontrolnymi, naukowcy zazwyczaj przyglądają się korelacjom obejmującym określone cząsteczki — wyjaśniają — Tutaj bierzemy pod uwagę to, że metabolity mogą mieć powiązania z innymi metabolitami — i tu musimy zastosować uczenie maszynowe. Przy setkach do tysięcy metabolitów wykorzystaliśmy moce obliczeniowe, aby zrozumieć, co się dzieje
Naukowcy wykorzystali również nieedytowaną listę danych do bliższego przyjrzenia się kombinacjom metabolitów.
Zazwyczaj badacze wykorzystujący uczenie maszynowe do badania korelacji między matabolitami a chorobami najpierw zmniejszają liczbę cech chemicznych, zanim wprowadzą je do algorytmu — wyjaśnia prod. Alexander Donald dla NeuroScience — Tutaj przekazujemy informacje do CRANK-MS bez żadnej redukcji na samym początku. Na tej podstawie możemy uzyskać modelową prognozę i określić, które metabolity mają największy wpływ na prognozę, a wszystko to w jednym kroku. Oznacza to, że jeśli istnieją metabolity, które potencjalnie mogły zostać pominięte przy użyciu konwencjonalnych metod, możemy je teraz wykryć.
Choroba Parkinsona i cechy charakterystyczne
Choroba Parkinsona jest obecnie rozpoznawana jedynie na podstawie fizycznych objawów i ich obserwowaniu. Nie istnieją żadne metody badań krwi czy badań laboratoryjnych, które służą diagnozowaniu przypadków niegenetycznych.
CRANK-MS można stosować przy pierwszych oznakach, o których pisaliśmy na początku — takich jak np. zaburzenia snu. Wszystko po to, aby jak najszybciej wykluczyć chorobę lub ryzyko tej choroby i jej rozwoju w przyszłości. Naukowcy podkreślają jednak, że przed urządzeniem CRANK-MS jeszcze długa droga. W planach są badania walidacyjne z wykorzystaniem większych kohort, przeprowadzone globalnie.
Niemniej, wyniki dotychczasowych badań są obiecujące. Dzięki temu rozwiązaniu już teraz CRANK-MS jest w stanie przeanalizować substancje chemiczne znalezione we krwi w celu wykrycia choroby z dokładnością do 96%. Zdumieni są też sami naukowcy.
Po pierwsze, dokładność przewidywania choroby Parkinsona przed postawieniem diagnozy klinicznej jest bardzo wysoka. Po drugie, to podejście do uczenia maszynowego umożliwiło nam zidentyfikowanie markerów chemicznych, które są najważniejsze w dokładnym przewidywaniu, kto zachoruje na to schorzenie w przyszłości. Po trzecie, niektóre markery chemiczne, które w największym stopniu napędzają dokładne prognozy, zostały wcześniej powiązane z chorobą w testach komórkowych, ale nie u ludzi — wyjaśniają.
Dodatkowe odkrycia podczas badań
Podczas badania metabolitów osób, u których rozwinęła się choroba Parkinsona we wspomnianym badaniu, pojawiło się kilka interesujących odkryć.
Wykryto na przykład, triterpenoidy w niższych stężeniach u osób, u których choroba Parkinsona rozwinęła się w późniejszym okresie (porównując do osób, u których nie wystąpiła). Jak podaje Neuroscience, triterpenoidy to popularny środek neuroprotekcyjny, regulujący stres oksydacyjny i powszechnie spotyka się do w żywności — na przykład w jabłkach, oliwkach, pomidorach. W ramach przyszłych badań można zbadać więc, czy spożywanie tych konkretnych produktów może w sposób naturalny ochronić przed rozwojem schorzenia Parkinsona.
Warto również zaznaczyć, że wykryto obecność polifluorowanych substancji alkilowych (w skrócie PFAS) u osób, u których rozwinęła się choroba Parkisona. Może być to powiązane z narażeniem pacjenta na chemikalia przemysłowe, choć potrzeba więcej danych, aby to stwierdzić z całą pewnością.
Sztuczna inteligencja ma ogromny potencjał w dziedzinie medycyny i już teraz znajduje szerokie zastosowanie w różnych jej obszarach. To kolejny przykład wykorzystania uczenia maszynowego w medycynie. Na ten moment będzie stanowić ona ogromne wsparcie w procesie podejmowania decyzji przez medyków. Zobaczymy, co będzie dalej!