Diana Zhang, a Sydney-i Egyetem kutatója és W. Alexander Donald professzor egy CRANK-MS néven ismert gépi tanulási szoftvert fejlesztett ki. A statisztikai módszerekkel dolgozó rendszer már a betegség kialakulása előtt évtizedekkel képes kimutatni a hajlamot vagy a kór csíráját.
Egy hónappal azután, hogy amerikai orvosok nyilvánosságra hozták, azonosítani tudták az abnormális fehérjék felhalmozódását, ami a Parkinson-kórt okozza, a Sydney-i Egyetem kutatói a Bostoni Egyetem munkatársaival együtt kidolgozták azt a mesterségesintelligencia-alapú eszközt, amely már a korai tünetek megjelenése előtt azonosítani tudja a Parkinson-kórt, úgy, hogy a testnedvekben lévő biomarkereket vizsgálja.
Az ausztrál egyetem tudósai egészséges alanyoktól vett vérmintákat analizáltak, de közülük 39-nél 15 évvel később Parkinson-kórt diagnosztizáltak. A csoport gépi tanulási algoritmust alkalmazott a metabolitokról (a szervezet által az élelmiszerek, gyógyszerek vagy vegyszerek lebontása során termelt kémiai anyagokról) információkat tartalmazó adatkészleteken. Az egészséges és később Parkinsonnal diagnosztizált alanyokat vizsgálva az AI segítségével a kutatók képesek voltak azonosítani a metabolitok különböző kombinációit. Ezek korai indikátorként szolgálhatnak a Parkinson-kórra.
A specifikus, sejtszintű folyamatok által hátrahagyott kémiai ujjlenyomatok szisztematikus vizsgálata, ezek kis molekulájú metabolitprofiljának tanulmányozása statisztikai módszerekkel történik.
A tudósok, hogy meg tudják állapítani, mely metabolitok relevánsabbak a betegség szempontjából, a molekulákkal kapcsolatos összefüggéseket vizsgálják. De hozzátették, a metabolitok kapcsolatban állhatnak más metabolitokkal – és itt lép be a gépi tanulás szerepe.
A sok metabolit – száztól több ezerig terjednek – mögöttes mechanizmusainak megértésére számításokat használtak.
Amikor a kutatók eddig gépi tanulást alkalmaztak a metabolitok és egy adott betegség közötti összefüggés vizsgálatára, először csökkentették a kémiai jellemzők számát, és csak ezután építették be az algoritmusba. De az új fejlesztésnél minden elérhető adatot megadtak a CRANK-MS-nek, és nem redukálták a jellemzőket. Így megkapták a modell előrejelzését, és egy lépésben azonosították azokat a metabolitokat, amelyek elsődlegesen befolyásolják az előrejelzést.
Jelenleg a Parkinson-kórt fizikai tünetek (például kézremegés) megfigyelésével diagnosztizálják, mivel nem állnak rendelkezésre laboratóriumi vagy vérvizsgálatok, de az atipikus tünetek (alvászavarok, apátia) a Parkinson-kórban szenvedő betegeknél évtizedekkel a motoros tünetek megjelenése előtt jelentkezhetnek. Ezeket tudja megmutatni a CRANK-MS, és a kialakulás valószínűségét.
Az egyelőre korlátozott mérések akár 96 százalékos pontosságot értek el a Parkinson-kór kimutatására szolgáló véradatok elemzésében.
Vagyis nagyon pontosan előre jelezheti a Parkinson-kórt már a klinikai diagnózis előtt, mert a gépi tanulási technikák segítségével könnyen meg tudták határozni a kulcsfontosságú kémiai markereket, amelyek jelezhetik a betegség jövőbeni kialakulását.
Érdekes eredmények születtek az olyan emberek metabolitjainak vizsgálatakor, akiknél később Parkinson-kór alakult ki, például a terpének egy fajtája alacsonyabb koncentrációban volt a vérükben – ami szabályozza az oxidatív stresszt. De a polifluorozott alkilok (PFAS), a vegyi anyagok egy csoportja szintén megvolt azokban, akiknél később Parkinson-kór alakult ki – a feltételezések szerint összefüggésbe hozható az ipari vegyszereknek való kitettséggel.
Dr. Diana Zhang, a tanulmány egyik kutatója azt mondja:
A CRANK-MS alkalmazása a Parkinson-kór kimutatására csak egy példa arra, hogy a mesterséges intelligencia hogyan javíthatja a betegségek diagnosztizálását és monitorozását.
Ezenkívül a CRANK-MS-t más betegségeknél is használhatják, hogy a test objektíven mérhető jelzőanyagait felhasználják bizonyos betegségek kimutatására vagy egy betegség prognózisára.
(Borítókép: Oli Scarff / Getty Images)