Инструмент машинного обучения демонстрирует ранние перспективы в обнаружении болезни Паркинсона

Ученые из Университета Нового Южного Уэльса в Сиднее с сотрудниками из Бостонского университета разработали инструмент, который обещает раннее обнаружение болезни Паркинсона за годы до появления первых симптомов.

В исследовании, опубликованном сегодня в журнале Центральная наука ACSисследователи описали, как они использовали нейронные сети для анализа биомаркеров в жидкостях организма пациентов.

Исследователи из Школы химии UNSW изучили образцы крови, взятые у здоровых людей, собранные Испано-европейским проспективным исследованием рака и питания (EPIC). Сосредоточив внимание на 39 пациентах, у которых болезнь Паркинсона развилась 15 лет спустя, команда запустила свою программу машинного обучения с наборами данных, содержащими обширную информацию о метаболитах — химических соединениях, которые организм создает при расщеплении пищи, лекарств или химических веществ.

После сравнения этих метаболитов с метаболитами 39 пациентов контрольной группы — людей в том же исследовании, у которых не развилась болезнь Паркинсона — команда смогла определить уникальные комбинации метаболитов, которые могут предотвратить или потенциально быть ранними предупреждающими признаками болезни Паркинсона.

Как объясняет исследователь UNSW Дайана Чжан, она и доцент В. Александр Дональд разработали инструмент машинного обучения под названием CRANK-MS, что означает анализ классификации и ранжирования с использованием нейронной сети, генерирующей знания из масс-спектрометрии.

«Наиболее распространенный метод анализа данных метаболомики — статистические подходы, — говорит г-жа Чжан.

«Поэтому, чтобы выяснить, какие метаболиты более значимы для заболевания по сравнению с контрольными группами, исследователи обычно рассматривают корреляции с участием конкретных молекул.

«Но здесь мы принимаем во внимание, что метаболиты могут иметь ассоциации с другими метаболитами, и именно здесь вступает в действие машинное обучение. С сотнями и тысячами метаболитов мы использовали вычислительную мощность, чтобы понять, что происходит».

А/проф. Дональд говорит, что помимо изучения комбинаций метаболитов исследователи использовали неотредактированный список данных.

«Обычно исследователи, использующие машинное обучение для изучения корреляций между метаболитами и болезнями, сначала уменьшают количество химических признаков, прежде чем вводить их в алгоритм», — говорит он.

«Но здесь мы загружаем всю информацию в CRANK-MS без сокращения данных с самого начала. И исходя из этого, мы можем получить прогноз модели и определить, какие метаболиты больше всего влияют на прогноз, и все это за один шаг. Это означает, что если есть метаболиты, которые потенциально могли быть пропущены при использовании традиционных подходов, теперь мы можем их обнаружить».

Как это может иметь значение для болезни Паркинсона

В настоящее время болезнь Паркинсона диагностируют, наблюдая физические симптомы, такие как тремор рук в состоянии покоя. Нет ни крови, ни лабораторных анализов для диагностики негенетических случаев. Но атипичные симптомы, такие как расстройство сна и апатия, могут проявляться у людей с болезнью Паркинсона за несколько десятилетий до появления двигательных симптомов. Следовательно, CRANK-MS можно использовать при первых признаках этих атипичных симптомов, чтобы исключить или исключить риск развития болезни Паркинсона в будущем.

Тем не менее, A/Prof Дональд подчеркивает, что необходимы валидационные исследования с использованием гораздо более крупных когорт и их проведение в нескольких частях земного шара, прежде чем инструмент можно будет надежно использовать. Но в ограниченной когорте, участвовавшей в этом исследовании, результаты были многообещающими: CRANK-MS мог анализировать химические вещества, обнаруженные в крови, для выявления болезни Паркинсона с точностью до 96 процентов.

«Это исследование интересно на нескольких уровнях, — говорит он.

«Во-первых, точность прогнозирования болезни Паркинсона до постановки клинического диагноза очень высока. Во-вторых, этот подход к машинному обучению позволил нам определить химические маркеры, которые наиболее важны для точного прогнозирования того, у кого в будущем разовьется болезнь Паркинсона. В-третьих, некоторые из химических маркеров, которые в наибольшей степени способствуют точному прогнозированию, ранее связывались другими с болезнью Паркинсона в клеточных анализах, но не у людей».

Пища для размышлений

При изучении метаболитов людей, у которых в ходе исследования развилась болезнь Паркинсона, были получены некоторые интересные результаты.

Например, тритерпеноиды были обнаружены в более низких концентрациях в крови тех, у кого позже развилась болезнь Паркинсона, по сравнению с теми, у кого ее не было. Тритерпеноиды являются известными нейропротекторами, которые регулируют окислительный стресс и обычно содержатся в таких продуктах, как яблоки, оливки и помидоры. Будущее исследование может выяснить, может ли употребление этих продуктов естественным образом защитить от развития болезни Паркинсона.

Также заслуживает дальнейшего изучения наличие полифторированных алкильных веществ (ПФАС) у людей, у которых развилась болезнь Паркинсона, что может быть связано с воздействием промышленных химикатов.

«У нас есть данные, позволяющие предположить, что это PFAS, но нам нужно больше данных о характеристиках, чтобы быть на 100% уверенными», — говорит помощник профессора Дональд.

В свободном доступе для всех

CRANK-MS — это общедоступный инструмент для любых исследователей, которые хотели бы использовать машинное обучение для диагностики заболеваний с использованием данных метаболомики.

«Мы построили модель таким образом, чтобы она соответствовала цели», — говорит г-жа Чжан.

«Применение CRANK-MS для выявления болезни Паркинсона — лишь один пример того, как искусственный интеллект может улучшить методы диагностики и мониторинга заболеваний. Что интересно, так это то, что CRANK-MS можно легко применять к другим заболеваниям для выявления новых представляющих интерес биомаркеров.

«Этот инструмент удобен для пользователя, так как в среднем результаты можно получить менее чем за 10 минут на обычном ноутбуке».

Ссылка: Чжан Д.Д., Сюэ С., Колачалама В.Б., Дональд В.А. Интерпретируемое машинное обучение на данных метаболомики выявляет биомаркеры болезни Паркинсона. Центральная наука ACS. 2023. дои: 10.1021/acscentsci.2c01468

Эта статья была переиздана со следующего материалы. Примечание: материал мог быть отредактирован по длине и содержанию. За дополнительной информацией обращайтесь к указанному источнику.