Болезнь Паркинсона (БП) развивается быстрее, чем любое другое неврологическое заболевание, поэтому ее раннее выявление так важно. Исследователи разработали новый инструмент машинного обучения, который обещает раннее выявление болезни.
Диагноз БП обычно ставится, когда у человека проявляются традиционные симптомы: замедление движений, тремор, нарушение равновесия. координацию и мышечную ригидность.
Но появление атипичных симптомов, таких как усталость, проблемы со сном, проблемы с мочевым пузырем или кишечником, депрессия и/или тревога, а также потеря обоняния, может предшествовать традиционным симптомам болезни Паркинсона на много лет. Надежный метод тестирования на биомаркеры, ведущий к ранней диагностике БП вместо ожидания появления традиционных симптомов, будет означать, что лечение заболевания можно будет начать раньше.
Теперь исследователи из Университета Нью-Йорка Южный Уэльс, Сидней, в сотрудничестве с Бостонским университетом, использовали возможности машинного обучения для разработки инструмента, который обещает стать ранним детектором болезни Паркинсона.
Машинное обучение широко используется для разработки точных моделей прогнозирования заболеваний. А передовые методы машинного обучения, такие как нейронные сети, — это способ обработки больших объемов данных. Однако, чтобы быть эффективным, алгоритм машинного обучения должен обучаться с использованием данных, которые не являются «зашумленными». Метаболомика, крупномасштабное исследование метаболитов, может быть проблематичным в этом отношении.
Многие метаболиты — побочные продукты, образующиеся при расщеплении организмом пищи, лекарств и химических веществ — коррелируют с другими метаболитами, некоторые из которых не вносят существенного вклада в прогноз заболевания.
Вот почему исследователи разработали новый инструмент машинного обучения, анализ классификации и ранжирования с использованием нейронной сети, генерирующий знания из масс-спектрометрии или CRANK-MS.
«[Чтобы] выяснить, какие метаболиты более значимы для заболевания по сравнению с контрольными группами, исследователи обычно рассматривают корреляции с участием конкретных молекул», — сказала Джей Диана Чжан, ведущий автор исследования. «Но здесь мы принимаем во внимание, что метаболиты могут быть связаны с другими метаболитами, и именно здесь вступает в действие машинное обучение. С сотнями и тысячами метаболитов мы использовали вычислительную мощность, чтобы понять, что происходит».
Исследователи получили метаболомные данные из испанско-европейского проспективного исследования рака и питания (EPIC), сосредоточив внимание на 39 пациентах, у которых развилась болезнь Паркинсона, и провели ее с помощью CRANK-MS. Сравнив пациентов с болезнью Паркинсона со здоровыми пациентами, исследователи смогли определить уникальные метаболические комбинации, которые могут быть ранними предупреждающими признаками заболевания.
Преимущество использования CRANK-MS заключается в том, что исследователи могут использовать настоящие данные, что упрощает процесс.
«Обычно исследователи, использующие машинное обучение для изучения корреляций между метаболитами и болезнями, сначала сокращают количество химических признаков, прежде чем вводить их в алгоритм», — сказал Уильям Дональд, соответствующий автор исследования. «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». 96%, исследователи понимают, что небольшой размер выборки означает, что необходимы дальнейшие исследования.
Исследователи говорят, что в будущем CRANK-MS можно будет использовать при первых признаках атипичных симптомов, чтобы гарантировать ранняя диагностика БП или ее исключение. Алгоритм машинного обучения общедоступен для исследователей, которые могут захотеть его использовать.
«Мы построили модель таким образом, чтобы она соответствовала поставленной цели, — сказал Чжан. «Применение CRANK-MS для выявления болезни Паркинсона — лишь один пример того, как ИИ может улучшить способы диагностики и мониторинга заболеваний. Что интересно, так это то, что CRANK-MS можно легко применять к другим заболеваниям для выявления новых представляющих интерес биомаркеров».
Исследование было опубликовано в журнале ACS Central Science.
