مدل یادگیری ماشین، بیماری پارکینسون را تا هفت سال قبل از ظهور علائم، از طریق نشانگرهای زیستی خون پیش‌بینی می‌کند

برای دهه‌ها، تشخیص بیماری پارکینسون متکی بر یک تأخیر بیولوژیکی ویرانگر بوده است. تا زمانی که بیمار علائم بالینی مشخصه – لرزش، کندی حرکت و اختلالات راه رفتن – را نشان می‌دهد، بخش قابل توجهی از سلول‌های عصبی تولیدکننده دوپامین در مغز خود را از دست داده است. این تأخیر زمانی، توسعه درمان‌های مؤثر را اساساً فلج کرده و متخصصان مغز و اعصاب را مجبور کرده است که به جای توقف پیشرفت بیماری، علائم را مدیریت کنند.

اکنون، یک تیم بین‌المللی از محققان نشان داده‌اند که ردپای بیولوژیکی پارکینسون مدت‌ها قبل از ظهور علائم فیزیکی در جریان خون قابل مشاهده است. دانشمندان با استفاده از یادگیری ماشین برای تجزیه و تحلیل امضاهای پروتئینی پیچیده، با موفقیت توانسته‌اند شروع بیماری را تا هفت سال قبل پیش‌بینی کنند و به طور اساسی جدول زمانی مراقبت‌های عصبی-تخریب‌کننده را تغییر دهند.

شواهد اصلی این پیشرفت از یک مطالعه جامع که در مجله معتبر Nature Communications منتشر شده است، و توسط محققان دانشگاه کالج لندن (UCL) و مرکز پزشکی دانشگاه گوتینگن در آلمان رهبری شده، نشأت می‌گیرد. تیم تحقیقاتی قصد داشتند مشخص کنند که آیا هوش مصنوعی می‌تواند تغییرات ظریف و سیستمیک در بدن را که مقدم بر زوال عصبی هستند، تشخیص دهد.

در مرحله اکتشافی اولیه، الگوریتم یادگیری ماشین بر روی نمونه‌های خون بیماران مبتلا به پارکینسون در کنار افراد سالم آموزش داده شد. این مدل در این گروه علامتی به دقت تشخیصی ۱۰۰ درصد دست یافت و ثابت کرد که این بیماری یک امضای قطعی و قابل خواندن در پلاسمای خون انسان بر جای می‌گذارد.[3]

مکانیسم این مدل پیش‌بینی‌کننده متکی بر فنوتیپ‌سازی پروتئومیک مبتنی بر طیف‌سنجی جرمی (Mass Spectrometry) است. هوش مصنوعی به جای جستجوی یک جهش ژنتیکی واحد، یک پنل خاص از هشت نشانگر زیستی مبتنی بر خون را تجزیه و تحلیل می‌کند. این پروتئین‌ها – که شامل پیش‌ساز گرانولین، چاپرون شبکه آندوپلاسمی BiP و کمپلمان C3 هستند – به طور تصادفی انتخاب نشده‌اند.

آنها مستقیماً با فرآیندهای بیولوژیکی زمینه‌ای پارکینسون، به ویژه التهاب سیستمیک و تخریب پروتئین‌های غیرفعال، مرتبط هستند. هنگامی که پروتئین آلفا-سینوکلئین به طور غیرطبیعی در مغز شروع به تجمع می‌کند، آبشاری از پاسخ‌های استرس سلولی را تحریک می‌کند. ابزار یادگیری ماشین برای تشخیص تغییرات دقیق غلظت این هشت پروتئین که نشان‌دهنده آغاز این آبشار است، کالیبره شده است.[2]

برای آزمایش قدرت پیش‌بینی مدل، محققان به یک گروه بالینی بسیار خاص روی آوردند: بیمارانی که با اختلال رفتاری حرکت سریع چشم در خواب (iRBD) تشخیص داده شده بودند. افرادی که iRBD دارند، رویاهای خود را به صورت فیزیکی اجرا می‌کنند، وضعیتی که متخصصان مغز و اعصاب مدت‌هاست آن را به عنوان یک علامت هشداردهنده قوی می‌شناسند.

شواهد آماری نشان می‌دهد که تقریباً ۷۵ تا ۸۰ درصد از افراد مبتلا به iRBD در نهایت به یک سینوکلئینوپاتی (خانواده‌ای از اختلالات مغزی که شامل پارکینسون است) مبتلا خواهند شد. محققان با اعمال ابزار هوش مصنوعی خود بر روی نمونه‌های خونی که یک دهه پیش از ۷۲ بیمار iRBD گرفته شده بود، یک آزمایش دقیق و واقعی از قدرت پیش‌بینی الگوریتم ایجاد کردند.[1]

نتایج این ردیابی طولی قوی‌ترین شواهد را برای قابلیت بالینی آزمایش خون ارائه داد. هنگامی که ابزار یادگیری ماشین نمونه‌های خون مربوط به یک دهه پیش را تجزیه و تحلیل کرد، مشخص شد که ۷۹ درصد از بیماران iRBD در حال حاضر دارای همان مشخصات هشت پروتئینی مشخصه بیماری پارکینسون هستند.

در طول ده سال پیگیری بالینی بعدی، پیش‌بینی‌های هوش مصنوعی به دقت با نرخ تبدیل بالینی واقعی مطابقت داشت. این الگوریتم ۱۶ بیمار خاص را که در ادامه به پارکینسون بالینی کامل مبتلا شدند، به درستی شناسایی کرد و علائم هشداردهنده نشانگر زیستی را تا هفت سال قبل از اینکه هرگونه علامت حرکتی منجر به تشخیص سنتی شود، ثبت کرد.[1][2]

پیامدهای بالینی این پنجره پیش‌بینی قابل اغراق نیست. پروفسور کوین میلز، نویسنده ارشد این مطالعه از مؤسسه سلامت کودکان گریت اورموند استریت UCL، استاندارد تشخیصی فعلی را به «بستن در اصطبل پس از فرار اسب» تشبیه کرد. از آنجا که انسان‌ها نمی‌توانند سلول‌های مغزی مرده را بازسازی کنند، هر درمانی که پس از شروع لرزش تجویز شود، ذاتاً محدود به مدیریت علائم و کند کردن زوال بیشتر است.

مهلت هفت ساله ارائه شده توسط آزمایش خون هوش مصنوعی یک پنجره درمانی حیاتی را باز می‌کند و اجازه می‌دهد درمان‌های محافظت‌کننده عصبی تجربی در حالی که سوبستانس نیگرا (مرکز کنترل حرکت مغز) هنوز تا حد زیادی دست نخورده است، تجویز شوند.[1]

فراتر از نتایج فردی بیماران، اجرای گسترده چنین آزمایشی می‌تواند اقتصاد و ساختار کارآزمایی‌های بالینی عصبی را به طور چشمگیری تغییر دهد. از لحاظ تاریخی، آزمایش داروهای جدید طراحی شده برای پیشگیری از پارکینسون تقریباً غیرممکن بوده است، زیرا محققان راه قابل اعتمادی برای شناسایی نامزدهای بدون علامت که تضمین شده بود به بیماری مبتلا می‌شوند، نداشتند.

با استفاده از این پنل نشانگر زیستی، شرکت‌های دارویی اکنون می‌توانند افراد پرخطر و پیش‌علامتی را برای کارآزمایی‌های بالینی جذب کنند. این رویکرد هدفمند به طور قابل توجهی قدرت آماری مطالعات اثربخشی دارو را افزایش داده و خط لوله توسعه مداخلاتی را که هدفشان توقف کامل بیماری است، تسریع می‌کند.

دکتر دانیل ترونگ، متخصص مغز و اعصاب و مدیر پزشکی مؤسسه علوم اعصاب ترونگ، خاطرنشان کرد که اگر این آزمایش با موفقیت تجاری‌سازی شود، نشان‌دهنده یک تغییر پارادایم در مداخله پیشگیرانه خواهد بود. آزمایش گسترده می‌تواند امکان درمان‌های سفارشی، نظارت مستمر بر بیماری و صرفه‌جویی قابل توجهی در هزینه‌های بلندمدت سلامت را با تأخیر یا جلوگیری از ناتوانی شدید مرتبط با مراحل پایانی پارکینسون فراهم کند.

توانایی کمی‌سازی دقیق مشخصات پروتئینی بیمار همچنین راه را برای پزشکی شخصی‌سازی شده باز می‌کند، جایی که درمان‌ها با مسیرهای التهابی یا تخریبی خاصی که توسط نتایج نشانگر زیستی بیمار برجسته شده‌اند، مطابقت داده می‌شوند.

با وجود قوت یافته‌های اولیه، تیم تحقیقاتی مرزهای شفافی را در مورد محدودیت‌های فعلی شواهد حفظ می‌کند. مطالعه Nature Communications، اگرچه در ردیابی طولی خود قوی است، اما متکی بر یک گروه نسبتاً کوچک از ۷۲ بیمار iRBD است. محققان صراحتاً بیان می‌کنند که اعتبارسنجی مستقل گروه بعدی ضروری است. الگوریتم باید در برابر جمعیت‌های بزرگتر و متنوع‌تر در زمینه‌های جغرافیایی و جمعیتی مختلف آزمایش شود تا اطمینان حاصل شود که امضای هشت پروتئینی یک پیش‌بینی‌کننده جهانی و قابل اعتماد برای بیماری باقی می‌ماند.

یک حوزه ثانویه از عدم قطعیت بالینی شامل ویژگی آزمایش در میان شرایط عصبی مرتبط است. در حالی که هوش مصنوعی با موفقیت شروع پارکینسون را پیش‌بینی می‌کند، برای تعیین اینکه آیا پنل نشانگر زیستی می‌تواند پارکینسون را به طور قابل اعتماد از سایر سینوکلئینوپاتی‌ها که شباهت‌های اولیه دارند، مانند آتروفی سیستم‌های چندگانه (Multiple Systems Atrophy) یا زوال عقل با اجسام لویی (Dementia with Lewy Bodies)، متمایز کند، نیاز به پالایش بیشتر است.

دکتر مایکل بارتل، یکی از نویسندگان اول از مرکز پزشکی دانشگاه گوتینگن، تأکید کرد که تحقیقات در حال انجام بر توسعه و اعتبارسنجی نشانگرهای زیستی جدیدی متمرکز است که می‌توانند بین این سندرم‌های بالینی متمایز با دقت بالا تمایز قائل شوند.[2]

مکانیک فیزیکی آزمایش نیز مانعی برای پذیرش گسترده فوری است. در حال حاضر، تجزیه و تحلیل نیاز به طیف‌سنجی جرمی پروتئومیک چندگانه هدفمند دارد – یک روش پیچیده و گران‌قیمت که عموماً محدود به آزمایشگاه‌های تحقیقاتی تخصصی است. برای تبدیل این پیشرفت به مراقبت‌های بالینی استاندارد، دستگاه آزمایش باید ساده‌سازی شود.

تیم تحقیقاتی فعالانه به دنبال تأمین مالی برای توسعه یک آزمایش «لکه خون» (blood spot) هستند، جایی که یک قطره خون می‌تواند روی یک کارت قرار داده شده و به یک آزمایشگاه مرکزی ارسال شود، و نیاز به خون‌گیری در مقیاس بزرگ و تجهیزات محلی تخصصی را از بین ببرد.

اگر بودجه تأمین شود و کارآزمایی‌های اعتبارسنجی طبق برنامه پیش بروند، محققان تخمین می‌زنند که این آزمایش می‌تواند ظرف دو سال به سیستم‌های بهداشتی ملی در مقیاس بزرگ، مانند NHS بریتانیا، منتقل شود. این جدول زمانی نشان‌دهنده یک مسیر تهاجمی اما قابل قبول از کشف دانشگاهی به کاربرد بالینی است.

همانطور که یادگیری ماشین همچنان با پروتئومیکس تلاقی پیدا می‌کند، توانایی رمزگشایی اولین سیگنال‌های هشداردهنده بدن از علوم کامپیوتر نظری به عمل پزشکی نجات‌بخش و قابل اجرا در حال حرکت است و اولین امید واقعی را برای پیشگیری از سریع‌ترین اختلال عصبی-تخریب‌کننده در حال رشد جهان ارائه می‌دهد.