Parkinsono liga paprastai diagnozuojama, kai žmogui pasireiškia tradiciniai simptomai: sulėtėję judesiai, drebulys, sutrikusi pusiausvyra ir koordinacija, raumenų sustabarėjimas.
Tačiau netipiniai simptomai, tokie kaip nuovargis, miego sutrikimai, šlapimo pūslės ar tuštinimosi problemos, depresija ir (arba) nerimas, uoslės praradimas, gali pasireikšti daugelį metų anksčiau nei tradiciniai Parkinsono ligos simptomai. Patikimas biožymių tyrimo metodas, leidžiantis anksti diagnozuoti Parkinsono ligai, o ne laukti tradicinių simptomų atsiradimo, reikštų, kad ligą būtų galima pradėti gydyti anksčiau.
Dabar Naujojo Pietų Velso Sidnėjaus universiteto (Australija) mokslininkai, bendradarbiaudami su Bostono universitetu (JAV), panaudojo mašininio mokymosi galimybes ir sukūrė priemonę, kuri yra perspektyvi kaip ankstyvas Parkinsono ligos detektorius.
Mašininis mokymasis plačiai naudojamas siekiant sukurti tikslius ligų prognozavimo modelius. O pažangūs mašininio mokymosi metodai, pavyzdžiui, neuroniniai tinklai, yra būdas apdoroti didelius duomenų kiekius. Tačiau tam, kad mašininio mokymosi algoritmas būtų veiksmingas, jį reikia mokyti naudojant duomenis, kurie nėra „triukšmingi“. Šiuo požiūriu metabolomika, t. y. didelio masto metabolitų tyrimai, gali būti problemiška.
Daugelis metabolitų – šalutinių produktų, susidarančių organizmui skaidant maistą, vaistus ir chemines medžiagas – yra susiję su kitais metabolitais, iš kurių kai kurie neturi didelės reikšmės prognozuojant ligas.
Todėl tyrėjai sukūrė naują mašininio mokymosi įrankį – CRANK-MS (angl. Classification and Ranking Analysis using Neural network generates Knowledge from Mass Spectrometry).
„[Siekdami išsiaiškinti, kurie metabolitai yra reikšmingesni ligai, palyginti su kontrolinėmis grupėmis, tyrėjai paprastai nagrinėja koreliacijas, apimančias konkrečias molekules, – sako pagrindinė tyrimo autorė J. Diana Zhang. – Tačiau čia mes atsižvelgiame į tai, kad metabolitai gali turėti sąsajų su kitais metabolitais – štai čia įsijungia mašininis mokymasis. Turėdami šimtus ar tūkstančius metabolitų, pasitelkėme skaičiavimo galią, kad suprastume, kas vyksta“.
Tyrėjai gavo metabolominius duomenis iš Ispanijos Europos perspektyvinio vėžio ir mitybos tyrimo (EPIC), sutelkdami dėmesį į 39 pacientus, kuriems išsivystė Parkinsono liga – ir patikrino juos panaudodami CRANK-MS. Palyginę Parkinsono liga sergančius pacientus su sveikais pacientais, tyrėjai galėjo nustatyti unikalius medžiagų apykaitos derinius, kurie galėtų būti ankstyvieji įspėjamieji ligos požymiai.
„Paprastai tyrėjai, naudojantys mašininį mokymąsi metabolitų ir ligų sąsajoms tirti, pirmiausia sumažina cheminių požymių skaičių ir tik tada jį įtraukia į algoritmą“, – sakė tyrimo autorius Williamas Donaldas. „Tačiau šiuo atveju mes visą informaciją į CRANK-MS įvedame be jokio duomenų mažinimo pačioje pradžioje. Iš to galime gauti modelio prognozę ir nustatyti, kurie metabolitai labiausiai lemia prognozę, ir visa tai atlikti vienu žingsniu. Tai reiškia, kad jei yra metabolitų, kurie, taikant įprastus metodus, galėjo būti praleisti, dabar galime juos nustatyti.“
Nors CRANK-MS pavyko išanalizuoti metabolitus, rodančius Parkinsono ligą, iki 96 proc. tikslumu, tyrėjai supranta, kad dėl mažos tyrimo imties reikia atlikti tolesnius tyrimus.
Mokslininkai teigia, kad ateityje CRANK-MS galėtų būti naudojama atsiradus pirmiesiems netipinių simptomų požymiams, siekiant užtikrinti ankstyvą Parkinsono ligos diagnozę arba ją atmesti. O mašininio mokymosi algoritmas yra viešai prieinamas tyrėjams, kurie galbūt norės juo pasinaudoti.
„Sukūrėme modelį taip, kad jis būtų tinkamas naudoti pagal paskirtį“, – sakė J. Diana Zhang. „CRANK-MS taikymas Parkinsono ligai nustatyti yra tik vienas iš pavyzdžių, kaip dirbtinis intelektas gali pagerinti ligos diagnostikos ir stebėsenos būdus. Įdomu tai, kad CRANK-MS gali būti lengvai pritaikyta kitoms ligoms, siekiant nustatyti naujas dominančias biožymes“
Tyrimas paskelbtas žurnale „ACS Central Science“.
Parengta pagal „New Atlas“.
