یادگیری ماشین می‌تواند به طور دقیق انواع بیماری پارکینسون را پیش بینی کند!

محققان مؤسسه فرانسیس کریک و مؤسسه نورولوژی کوئین اسکوئر UCL با همکاری شرکت فناوری Faculty AI نشان داده‌اند که یادگیری ماشینی می‌تواند با استفاده از تصاویر سلول‌های بنیادی مشتق شده از بیمار، زیرشاخه‌های بیماری پارکینسون را به دقت پیش‌بینی کند. در واقع مدل‌های کامپیوتری می‌توانند به طور دقیق چهار نوع از بیماری پارکینسون را طبقه‌بندی کنند که یکی از آنها دقت 95 درصدی را ارائه می‌دهد. این تکنولوژی می‌تواند راه را برای پزشکان و کشف دارو هموار کند.

بیماری پارکینسون یک وضعیت عصبی است که بر حرکت و شناخت تأثیر می‌گذارد. علائم و پیشرفت بیماری از فردی به فرد دیگر به دلیل تفاوت در مکانیسم‌های زمینه‌ای ایجاد کننده بیماری، متفاوت است. تاکنون راهی برای تشخیص دقیق انواع پارکینسون وجود نداشته است، به این معنی که تشخیص‌های احتمالی داده می‌شد.

بیماری پارکینسون شامل اختلال در پروتئین های کلیدی و اختلال در پاکسازی میتوکندری‌های معیوب به عنوان منبع تولید انرژی در سلول است. اکثر موارد بیماری پارکینسون به صورت پراکنده شروع می‌شود، اما برخی از آنها می‌توانند با جهش‌های ژنتیکی مرتبط باشند.

محققان سلول‌های بنیادی را از سلول‌های خود بیماران تولید کردند و به‌طور شیمیایی چهار زیرگروه مختلف از بیماری پارکینسون را ایجاد کردند. آن‌ها سپس مدل‌های بیماری را با جزئیات میکروسکوپی تصویر کردند و اجزای کلیدی سلول از جمله لیزوزوم‌ها را که در تجزیه بخش‌های فرسوده سلول نقش دارند، برچسب‌گذاری کردند. محققان یک برنامه کامپیوتری را آموزش دادند تا هر زیرگروه را تشخیص دهد، که پس از ارائه تصاویری که قبلاً ندیده بود، می‌توانست نوع فرعی را پیش‌بینی کند. استفاده از هوش مصنوعی در این مطالعه محققان را قادر ساخت تا تعداد بیشتری از ویژگی‌های سلولی را ارزیابی کنند و اهمیت این ویژگی‌ها را در تشخیص زیرنوع بیماری ارزیابی کنند.

سونیا گاندی، دستیار مدیر تحقیقات و رهبر گروه آزمایشگاه زیست شناسی عصبی در کریک، گفت: “ما بسیاری از فرآیندهایی را که باعث پارکینسون در مغز افراد می‌شود، درک می‌کنیم. اما ما هیچ راهی برای دانستن مکانیسم آن نداریم و بنابراین نمی‌توان درمان‌های دقیقی را انجام داد. ما در حال حاضر درمان‌هایی نداریم که تفاوت زیادی در پیشرفت بیماری پارکینسون ایجاد کند. با استفاده از مدلی از نورون‌های خود بیمار، و ترکیب آن با تعداد زیادی تصویر، الگوریتمی برای طبقه‌بندی زیرگروه‌های خاص ایجاد کردیم که یک رویکرد قدرتمند است و می تواند دری را برای شناسایی انواع بیماری در زندگی باز کند. با برداشتن این یک گام جلوتر، پلتفرم ما به ما اجازه می دهد تا ابتدا داروها را در مدل‌های سلول‌های بنیادی آزمایش کنیم و پیش از ثبت نام، پیش بینی کنیم که آیا سلول های مغزی بیمار احتمالاً به دارو پاسخ می دهند یا خیر.”