مدل یادگیری ماشینی، خطر ابتلا به پارکینسون را ۱۵ سال زودتر پیش‌بینی می‌کند

به گزارش مجله خبری نگار، یک مطالعه اخیر که در مجله Neurology منتشر شده است، نشان می‌دهد افرادی که در معرض خطر بالای ابتلا به بیماری پارکینسون هستند، می‌توانند سال‌ها قبل از بروز علائم شناسایی شوند. محققان با استفاده از یادگیری ماشینی برای تجزیه و تحلیل پروتئین‌های موجود در نمونه‌های خون و ترکیب این داده‌ها با اطلاعات بالینی ساده، مدلی را توسعه داده‌اند که می‌تواند خطر ابتلا به بیماری پارکینسون را تا ۱۵ سال قبل پیش‌بینی کند. چنین تشخیص زودهنگامی می‌تواند به پیشگیری یا کند کردن پیشرفت این اختلال عصبی کمک کند و امید جدیدی را برای مدیریت و درمان این بیماری فراهم کند.

بیماری پارکینسون دومین بیماری شایع عصبی پس از بیماری آلزایمر است. این بیماری در درجه اول بر حرکت تأثیر می‌گذارد و باعث لرزش، سفتی و مشکلات تعادل می‌شود. با این حال، تا زمانی که این علائم ظاهر می‌شوند، اغلب آسیب مغزی قابل توجه و برگشت‌ناپذیری رخ داده است. بیماری پارکینسون یک "مرحله مقدماتی" طولانی دارد که می‌تواند برای دهه‌ها قبل از آشکار شدن علائم حرکتی معمول ادامه یابد. علائم غیرحرکتی مانند اختلالات خواب، افسردگی و از دست دادن بویایی ممکن است در این دوره رخ دهد، اما این علائم اغلب به عنوان علائم هشدار دهنده اولیه بیماری پارکینسون شناخته نمی‌شوند.

مشکل درمان بیماری پارکینسون این است که دیر تشخیص داده می‌شود، زمانی که آسیب گسترده مغزی رخ داده است. درمان‌های فعلی با هدف تسکین علائم انجام می‌شوند تا توقف پیشرفت بیماری. دانشمندان معتقدند که تشخیص زودهنگام بیماری - قبل از بروز علائم حرکتی قابل توجه - ممکن است امکان مداخلاتی را فراهم کند که از بروز علائم جدی‌تر جلوگیری کرده یا آنها را به تأخیر بیندازد.

این مطالعه جدید که توسط جیان-فنگ فنگ، رئیس موسسه علوم و فناوری هوش مغزی در دانشگاه فودان، و وی چنگ، محقق اصلی در همان موسسه، رهبری می‌شد، با نیاز به توسعه یک روش مقرون به صرفه و غیرتهاجمی برای شناسایی افراد در معرض خطر بالای ابتلا به بیماری پارکینسون سال‌ها قبل از وقوع آن، انجام شد.

تیم تحقیقاتی همچنین شامل لین-بو وانگ، پژوهشگر جوان دانشگاه فودان، و جیا یو، پژوهشگر سابق فوق دکترا که از آن زمان به پژوهشگر جوان ارتقا یافته است، بود. تلاش‌های جمعی آنها بر ترکیب یادگیری ماشینی با نشانگر‌های زیستی خون برای ایجاد یک مدل پیش‌بینی‌کننده متمرکز بود که می‌توانست خطر بیماری پارکینسون را مدت‌ها قبل از بروز علائم بالینی تشخیص دهد.

محققان گفتند: «بیماری پارکینسون با از دست دادن برگشت‌ناپذیر نورون‌های دوپامینرژیک ناشی از تجمع آلفا-سینوکلئین مشخص می‌شود. در سال ۲۰۲۲، با دریافتن اینکه حجم مغز در بیماران تازه تشخیص داده شده با پیشرفت بالینی در آینده مرتبط است، ما به پیش‌بینی بیماری پارکینسون سال‌ها قبل از تشخیص بالینی علاقه‌مند شدیم. تشخیص زودهنگام برای توسعه درمان‌هایی با هدف کاهش آتروفی مغز و به تأخیر انداختن پیشرفت بیماری در مراحل اولیه بیماری از اهمیت بالایی برخوردار است.»

برای توسعه مدلی که بتواند خطر ابتلا به بیماری پارکینسون را پیش‌بینی کند، محققان داده‌های بیش از ۵۰،۰۰۰ شرکت‌کننده در UK Biobank، یک منبع بزرگ مراقبت‌های بهداشتی در بریتانیا که داده‌های ژنتیکی، بالینی و سبک زندگی را جمع‌آوری می‌کند، تجزیه و تحلیل کردند. این مطالعه بر روی سطوح ۱۴۶۳ پروتئین مختلف موجود در خون و چگونگی ارتباط این پروتئین‌ها با تشخیص‌های آینده بیماری پارکینسون متمرکز بود.

این مطالعه شامل ۵۲،۵۰۳ شرکت‌کننده بود که در شروع مطالعه به بیماری پارکینسون مبتلا نبودند. پلاسمای خون این شرکت‌کنندگان برای اندازه‌گیری سطح پروتئین تجزیه و تحلیل شد. تیم تحقیقاتی از یادگیری ماشینی، نوعی هوش مصنوعی که الگو‌ها را در داده‌ها شناسایی می‌کند، برای تجزیه و تحلیل سطح پروتئین خون به همراه اطلاعات بالینی و جمعیت‌شناختی استفاده کرد. این اطلاعات شامل عواملی مانند سن، تحصیلات، سابقه آسیب سر و سایر نشانگر‌های سلامتی بود.

در طول یک دوره پیگیری متوسط ۱۴ ساله، ۷۵۱ شرکت‌کننده به بیماری پارکینسون مبتلا شدند. محققان از این داده‌ها برای آموزش یک مدل یادگیری ماشینی استفاده کردند که می‌توانست بر اساس سطح پروتئین و ویژگی‌های بالینی، پیش‌بینی کند چه کسی در معرض خطر ابتلا به پارکینسون است. سپس این مدل را با استفاده از یک مجموعه داده جداگانه از طرح نشانگر‌های پیشرفت پارکینسون، پروژه‌ای که شامل افراد مبتلا به پارکینسون، افراد در معرض خطر بالای ابتلا به این بیماری و افراد سالم است، آزمایش کردند.

مدل توسعه‌یافته توسط محققان به سطح بالایی از دقت دست یافت و افراد در معرض خطر بیماری پارکینسون را هم در بانک زیستی بریتانیا و هم در مجموعه داده‌های اعتبارسنجی به درستی شناسایی کرد. تجزیه و تحلیل نشان داد که ۲۲ پروتئین خاص موجود در پلاسمای خون به طور قابل توجهی با خطر بیماری پارکینسون مرتبط هستند. برخی از مهمترین پروتئین‌های شناسایی‌شده شامل نوروفیلامنت (NfL)، پروتئینی مرتبط با آسیب سلول‌های مغزی و چندین پروتئین دخیل در التهاب و عملکرد عضلات بودند.

با ادغام اطلاعات بالینی مانند سن، سابقه آسیب مغزی تروماتیک و سطح کراتینین خون (نشانگر توده عضلانی و عملکرد کلیه)، محققان توانستند دقت مدل را بهبود بخشند. نسخه نهایی مدل که شامل داده‌های پروتئینی و بالینی بود، توانست خطر ابتلا به بیماری پارکینسون را با دقت بالایی، حتی تا ۱۵ سال قبل از تشخیص، پیش‌بینی کند.

فنگ و همکارانش می‌گویند: «ترکیب پروتئین‌های پلاسما و اطلاعات جمعیت‌شناختی بالینی می‌تواند افراد در معرض خطر بالای ابتلا به بیماری پارکینسون را ۱۵ سال قبل از تشخیص بالینی شناسایی کند. مدل ما می‌تواند در معاینات پزشکی معمول ادغام شود تا افراد در معرض خطر بالای ابتلا به بیماری پارکینسون شناسایی شوند و از این طریق فرصت‌هایی برای مطالعه و ارزیابی درمان‌های محافظت‌کننده عصبی فراهم شود.»

این مطالعه همچنین نشان داد که پروتئین‌های خاصی در افرادی که در نهایت به بیماری پارکینسون مبتلا شدند، با گذشت زمان تغییرات مشخصی نشان دادند. به عنوان مثال، سطح پروتئین NfL حدود ۱۲ سال قبل از تشخیص شروع به افزایش کرد، در حالی که سایر پروتئین‌های مرتبط با التهاب و عملکرد عضلات، چندین سال قبل از تشخیص تغییراتی نشان دادند. این نتایج نشان می‌دهد که نظارت بر سطح پروتئین در طول زمان می‌تواند اطلاعات ارزشمندی در مورد خطر ابتلای فرد به بیماری پارکینسون ارائه دهد.

محققان توضیح دادند: «ما از اینکه متوجه شدیم تغییرات در چندین پروتئین می‌تواند بیش از یک دهه قبل از تشخیص بالینی مشاهده شود، شگفت‌زده شدیم. برای مثال، NfL، نشانگر آسیب عصبی و مهم‌ترین پروتئین پیش‌بینی‌کننده، ۱۲ سال قبل از تشخیص، سطح بالایی را نشان داد که نشان‌دهنده آسیب اولیه نوروآکسونال است.»

اگرچه نتایج این مطالعه امیدوارکننده است، اما محدودیت‌های متعددی وجود دارد که باید در مطالعات آینده به آنها پرداخته شود. یکی از محدودیت‌ها، عدم تنوع در جمعیت مورد مطالعه است. اکثر شرکت‌کنندگان در بانک زیستی بریتانیا و طرح نشانگر‌های پیشرفت پارکینسون، از نژاد اروپایی بودند که ممکن است تعمیم‌پذیری نتایج را به سایر جمعیت‌ها محدود کند. مطالعات آینده باید این مدل را در جمعیت‌های متنوع‌تری آزمایش کنند تا از کارایی آن برای همه اطمینان حاصل شود.

محدودیت دیگر این است که تشخیص بیماری پارکینسون در بیوبانک بریتانیا بر اساس سوابق پزشکی بوده است که ممکن است همیشه دقیق نباشد. ممکن است برخی از شرکت‌کنندگان به اشتباه تشخیص داده شده باشند، به خصوص در مواردی که متخصصان در تشخیص دخیل نبوده‌اند. روش‌های تشخیصی دقیق‌تر، مانند تصویربرداری از مغز، می‌تواند به بهبود قابلیت اطمینان مطالعات آینده کمک کند.

علاوه بر این، اگرچه این مطالعه چندین پروتئین مرتبط با خطر پارکینسون را شناسایی کرد، بسیاری از این پروتئین‌ها با سایر بیماری‌های نورودژنراتیو نیز مرتبط هستند. به عنوان مثال، سطح بالای NfL در بیماری آلزایمر و سایر بیماری‌هایی که شامل آسیب سلول‌های مغزی می‌شوند، یافت شده است. بنابراین، این پروتئین‌ها ممکن است به اندازه کافی برای بیماری پارکینسون اختصاصی نباشند و ممکن است برای تشخیص بیماری پارکینسون از سایر بیماری‌ها به نشانگر‌های زیستی اضافی نیاز باشد.

این مطالعه همچنین از یک روش نیمه کمی برای اندازه‌گیری سطح پروتئین استفاده کرد که ممکن است دقت نتایج را محدود کند. مطالعات آینده که از روش‌های اندازه‌گیری دقیق‌تری استفاده می‌کنند، ممکن است به اصلاح مدل و بهبود قدرت پیش‌بینی آن کمک کنند.

در نهایت، این مدل با استفاده از داده‌های جمع‌آوری‌شده در یک نقطه زمانی واحد آموزش داده شد، که ممکن است نوسانات بیولوژیکی در سطح پروتئین را منعکس نکند. اندازه‌گیری‌های مکرر سطح پروتئین در طول زمان ممکن است پیش‌بینی‌های دقیق‌تری ارائه دهد و به شناسایی قابل اعتمادترین نشانگر‌های زیستی برای تشخیص زودهنگام بیماری پارکینسون کمک کند.

با وجود این محدودیت‌ها، این مطالعه گامی مهم در تشخیص زودهنگام بیماری پارکینسون است. مدل توسعه‌یافته توسط محققان، روشی غیرتهاجمی و مقرون‌به‌صرفه برای شناسایی افراد در معرض خطر بالای ابتلا به بیماری پارکینسون ارائه می‌دهد و به‌طور بالقوه امکان مداخلات زودهنگام را فراهم می‌کند که می‌تواند پیشرفت بیماری را کند یا از آن جلوگیری کند. اگرچه تحقیقات بیشتری برای تأیید یافته‌ها و اصلاح مدل مورد نیاز است، اما نتایج نشان می‌دهد که نشانگر‌های زیستی مبتنی بر خون، هنگامی که با اطلاعات بالینی ترکیب شوند، می‌توانند ابزاری ارزشمند برای پیش‌بینی خطر بیماری پارکینسون در جمعیت عمومی باشند.

محققان گفتند: «هدف بلندمدت ما توسعه مجموعه‌ای از مدل‌های پیش‌بینی‌کننده است که در جوامع قابل اجرا باشند. این مدل‌ها از ویژگی‌های غیرتهاجمی، مقرون‌به‌صرفه و در دسترس برای تشخیص پارکینسون و سایر اختلالات عصبی سال‌ها قبل از تشخیص بالینی استفاده می‌کنند، با هدف کاهش یا جلوگیری از پیشرفت آنها.»

دانشمندان در پایان گفتند: «علاوه بر این، هزینه فعلی آزمایش پروتئین‌های پلاسما در پروتئومیکس با توان عملیاتی بالا بالاست. ما در حال همکاری با شرکت‌ها برای تولید آزمایش‌های خونی هستیم که به‌طور خاص این نشانگر‌های زیستی را هدف قرار می‌دهند و این امر به‌طور قابل‌توجهی هزینه کاربرد را کاهش می‌دهد.»