Nowe podejście do klasyfikacji choroby Parkinsona

W badaniach nad chorobą Parkinsona, wykorzystanie technologii sztucznej inteligencji umożliwiło precyzyjne klasyfikowanie podtypów tej choroby na podstawie obrazów komórek macierzystych. Osiągnięto dokładność na poziomie 95%, co otwiera nowe możliwości w zakresie medycyny spersonalizowanej. Dzięki modelom komórek macierzystych i zaawansowanym algorytmom uczenia maszynowego możliwe jest opracowanie bardziej precyzyjnych metod leczenia oraz testowania leków.

Wyniki badań naukowców

Naukowcy z Francis Crick Institute oraz UCL Queen Square Institute of Neurology, we współpracy z firmą Faculty AI, wykazali, że modele komputerowe mogą precyzyjnie klasyfikować cztery podtypy choroby Parkinsona. Wyniki ich badań zostały opublikowane w czasopiśmie „Nature Machine Intelligence”. Kluczowym osiągnięciem było rozróżnienie podtypów choroby, co może przyczynić się do poprawy diagnostyki oraz stworzenia spersonalizowanych terapii.

Zróżnicowanie objawów i mechanizmów choroby

Choroba Parkinsona to schorzenie neurodegeneracyjne wpływające na ruch oraz funkcje poznawcze. Ze względu na różnorodność mechanizmów wywołujących chorobę, jej objawy i przebieg mogą się różnić u poszczególnych pacjentów. Do tej pory nie istniały skuteczne metody rozróżniania podtypów tej choroby, co prowadziło do niespecyficznych diagnoz i braku ukierunkowanych terapii.

Nowoczesne modele komórek macierzystych

W trakcie badań naukowcy wygenerowali cztery różne podtypy choroby Parkinsona z komórek macierzystych pochodzących od pacjentów. Dwa z tych podtypów były związane z akumulacją toksycznych białek α-synukleiny, a pozostałe dwa dotyczyły dysfunkcji mitochondriów, które są odpowiedzialne za produkcję energii w komórkach. W ten sposób stworzono „model ludzkiej choroby mózgu w laboratorium”.

Analiza obrazów komórek

Aby umożliwić precyzyjne rozpoznanie podtypów, obrazy modeli komórkowych były analizowane w mikroskopowych szczegółach, a program komputerowy uczono rozpoznawania różnych podtypów. Mitochondria oraz lizosomy, które pełnią kluczową rolę w usuwaniu uszkodzonych części komórek, okazały się być najważniejszymi elementami w przewidywaniu podtypu choroby. Zidentyfikowano również inne istotne elementy komórek, takie jak jądro komórkowe, a także obszary obrazów, których znaczenie jeszcze nie jest w pełni zrozumiałe.

Wykorzystanie sztucznej inteligencji do analizy

Wykorzystanie sztucznej inteligencji w badaniach pozwoliło na analizę większej ilości cech komórek, niż było to możliwe przy konwencjonalnych metodach. Głębokie uczenie pozwoliło na wydobycie znacznie większej ilości informacji z obrazów, co zwiększyło precyzję klasyfikacji podtypów choroby Parkinsona.

Rozszerzenie badań na inne podtypy

Jednym z celów badaczy jest rozszerzenie tej metody na inne podtypy choroby Parkinsona. Modelowanie komórek nerwowych pacjentów, połączone z analizą dużej liczby obrazów, umożliwiło stworzenie algorytmu, który może być wykorzystany do identyfikacji podtypów choroby jeszcze za życia pacjentów. W przyszłości możliwe będzie testowanie leków na modelach komórek macierzystych, aby przewidzieć, czy komórki mózgowe pacjentów zareagują na dane leczenie, zanim pacjenci zostaną włączeni do badań klinicznych.

Rozwój projektu w czasie pandemii

Projekt został rozwinięty w trakcie pandemii COVID-19, kiedy badacze musieli dostosować swoje badania do nowych warunków. Zespół przeszedł intensywny kurs programowania w języku Python, co umożliwiło im zastosowanie nowo nabytych umiejętności w swoich badaniach nad sztuczną inteligencją. Sukces projektu udowodnił, że naukowcy, zaczynając bez większej wiedzy o AI, są w stanie stosować najlepsze praktyki w dziedzinie nauki, co otworzyło nowe perspektywy badawcze.

Kolejne kroki w badaniach

Kolejnym krokiem w badaniach będzie zrozumienie podtypów choroby Parkinsona u osób z innymi mutacjami genetycznymi oraz sprawdzenie, czy sporadyczne przypadki choroby Parkinsona mogą być klasyfikowane w podobny sposób. Jeśli to się powiedzie, możliwe stanie się dokładniejsze zrozumienie mechanizmów tej choroby i stworzenie bardziej ukierunkowanych terapii.