Bilim insanları, yanlızca Parkinson hastalığına bir çare bulmak için çalışmıyorlar, aynı zamanda erken teşhis etmek ve ilerlemesini engellemenin daha iyi bir yollunu bulmak için çalışıyorlar.
Bilim insanları standart bir dizüstü bilgisayarda hızla çalıştırılabilen yeni bir araç, titreme ve yavaş hareketler gibi belirtiler ortaya çıkmaya başlamadan yıllar önce hastalığın altta yatan belirtilerini saptamak için yapay zekadan yararlandı. CRANK-MS adı verilen yapay zeka arcı, sinir ağı kullanan sınıflandırma ve sıralama analizi, kütle spektrometresinden bilgi üretiyor.
Hastalığın varlığını tahmin edebiliyor
Araç, insan beyninde modellenen eğitimli düğüm katmanlarını kullanarak, kandaki belirli kimyasal bileşikleri (metabolitleri) araştırarak, potansiyel olarak hastalığın varlığını tahmin edebiliyor.
Avustralya’daki New South Wales Üniversitesindeki bilim insanları, beslenme ve kanser üzerine İspanya Avrupa Prospektif Çalışmasının bir parçası olarak toplanan kan plazma örneklerini kullandı.
Ekip 39 hastaya odaklandı
Araştırmaya katıldıktan sonraki 15 yıl içinde Parkinson hastalığını geliştirmeye devam eden 39 hastaya odaklanan ekip, metabolit karışımları olmayan 39 kontrol hastasıyla karşılaştırdı. Karşılaştırmada potansiyel olarak önemli olduğu düşünülen birkaç model tanımlandı.
Ekip, Parkinson hastası olan kişilerin kanlarında, vücut üzerindeki stresi hücresel düzeyde kontrol eden ve elma, zeytin ve domates gibi gıdalarda bulunan triterpenoidlerin seviyelerinin daha düşük olduğunu fark etti.
Parkinson hastalarında alkil maddeleri tespit edildi
Parkinson hastası olan kişilerde poliflorlu alkil maddelerin (PFAS) varlığını fark eden araştırmacılar, bunun da endüstriyel kimyasallara daha fazla maruz kalmayla bağlantılı olabilecegi ve kesin sonuç için çok daha fazla sayıda hastayı içeren büyük bir çalışmaya ihtiyaç duyulacaklarını kaydettiler. .
Bu çalışma küçük olsa da, CRANK-MS, Parkinson hastalığı riskini yüzde 96’ya varan bir doğrulukla tespit edebildigi kanıtlandı. CRANK-MS, diğer bilim insanlarının erişimine açılıyor.
Interpretable Machine Learning on Metabolomics Data Reveals Biomarkers for Parkinson’s Disease
The use of machine learning (ML) with metabolomics provides opportunities for the early diagnosis of disease. However, the accuracy of ML and extent of information obtained from metabolomics can be limited owing to challenges associated with interpreting disease prediction models and analyzing many chemical features with abundances that are correlated and “noisy”. Here, we report an interpretable neural network (NN) framework to accurately predict disease and identify significant biomarkers using whole metabolomics data sets without a priori feature selection. The performance of the NN approach for predicting Parkinson’s disease (PD) from blood plasma metabolomics data is significantly higher than other ML methods with a mean area under the curve of >0.995. PD-specific markers that predate clinical PD diagnosis and contribute significantly to early disease prediction were identified including an exogenous polyfluoroalkyl substance. It is anticipated that this accurate and interpretable NN-based approach can improve diagnostic performance for many diseases using metabolomics and other untargeted ‘omics methods.
