Samenvatting: Onderzoekers hebben een hulpmiddel voor kunstmatige intelligentie ontwikkeld dat tekenen van de ziekte van Parkinson kan detecteren in bloedmonsters van patiënten, tot 15 jaar voordat de symptomen beginnen. De tool gebruikt machine learning om combinaties van metabolieten in het lichaam te analyseren, waardoor unieke markers worden onthuld die het begin van de ziekte van Parkinson kunnen signaleren. Hoewel validatiestudies nodig zijn, was de tool in staat om de ziekte van Parkinson te voorspellen met een nauwkeurigheid tot 96% in het beperkte studiecohort.
Basiselementen:
- De CRANK-MS-tool, ontwikkeld door onderzoekers van UNSW Sydney en Boston University, kan tekenen van de ziekte van Parkinson detecteren in bloedmonsters van patiënten tot 15 jaar voordat de symptomen beginnen, met behulp van machine learning om combinaties van metabolieten in het lichaam te analyseren.
- In het beperkte onderzoekscohort was de tool in staat om de ziekte van Parkinson te voorspellen met een nauwkeurigheid tot 96%, waarbij unieke markers werden onthuld die het begin van de ziekte van Parkinson kunnen signaleren.
- De CRANK-MS-tool is openbaar beschikbaar voor onderzoekers en kan worden gebruikt om andere ziekten te diagnosticeren met behulp van metabolomics-gegevens, wat nieuwe mogelijkheden biedt voor de vroege diagnose, behandeling en preventie van een reeks ziekten.
Bron: Universiteit van Nieuw-Zuid-Wales
Wetenschappers van UNSW Sydney hebben samen met collega’s van de Boston University een hulpmiddel ontwikkeld dat een vroege detectie van de ziekte van Parkinson belooft, jaren voordat de eerste symptomen verschijnen.
Dat blijkt uit onderzoek dat vandaag in het tijdschrift is gepubliceerd ACS Centrale Wetenschaponderzoekers beschreven hoe ze neurale netwerken gebruikten om biomarkers in lichaamsvloeistoffen van patiënten te analyseren.
Onderzoekers van de School of Chemistry van UNSW keken naar bloedmonsters van gezonde mensen die waren verzameld van de Spanish European Prospective Investigation into Cancer and Nutrition (EPIC).
Het team richtte zich op 39 patiënten die tot 15 jaar later de ziekte van Parkinson ontwikkelden en voerde het machine learning-programma uit op datasets met uitgebreide informatie over metabolieten – de chemische verbindingen die het lichaam aanmaakt wanneer het voedsel, medicijnen of chemicaliën afbreekt.
Na vergelijking van deze metabolieten met die van 39 gematchte controlepatiënten – mensen in dezelfde studie die geen Parkinson ontwikkelden – kon het team unieke combinaties van metabolieten identificeren die vroege waarschuwingssignalen van de ziekte van Parkinson kunnen voorkomen of zijn.
Zoals UNSW-onderzoeker Diana Zhang uitlegt, ontwikkelde zij en universitair hoofddocent W. Alexander Donald een machine learning-tool genaamd CRANK-MS, wat staat voor Classification and Ranking Analysis using Neural Network Generating Knowledge from Mass Spectrometry.
“De meest gebruikelijke methode om metabolismegegevens te analyseren, is door middel van statistische benaderingen”, zegt mevrouw Zhang.
“Dus om te begrijpen welke metabolieten belangrijker zijn voor ziekte- versus controlegroepen, kijken onderzoekers meestal naar molecuulspecifieke correlaties.
“Maar hier houden we er rekening mee dat metabolieten associaties kunnen hebben met andere metabolieten – dat is waar machine learning om de hoek komt kijken. Met honderden tot duizenden metabolieten hebben we rekenkracht gebruikt om erachter te komen wat er aan de hand is.”
A/Prof. Donald zegt dat de onderzoekers niet alleen naar combinaties van metabolieten keken, maar ook een onbewerkte lijst met gegevens gebruikten.
“Doorgaans verminderen onderzoekers die machinaal leren gebruiken om te kijken naar associaties tussen metabolieten en ziekten eerst het aantal chemische kenmerken voordat ze het aan het algoritme invoeren”, zegt hij.
“Maar hier voeren we alle informatie in CRANK-MS in zonder enige gegevensreductie vanaf het begin. En daaruit kunnen we de modelvoorspelling nemen en identificeren welke metabolieten de voorspelling het meest sturen, alles in één stap. Het betekent dat als er metabolieten zijn die mogelijk zijn gemist met conventionele benaderingen, we ze nu kunnen krijgen.”
Hoe dit belangrijk kan zijn voor de ziekte van Parkinson
Momenteel wordt de ziekte van Parkinson gediagnosticeerd door fysieke symptomen te observeren, zoals trillende handen in rust. Er zijn geen bloed- of laboratoriumtests om niet-genetische gevallen te diagnosticeren.
Maar atypische symptomen zoals slaapstoornissen en apathie kunnen optreden bij mensen met de ziekte van Parkinson, tientallen jaren voordat motorische symptomen verschijnen. CRANK-MS zou daarom kunnen worden gebruikt bij het eerste teken van deze atypische symptomen om het risico op het ontwikkelen van Parkinson in de toekomst uit te sluiten of uit te sluiten.
A/Prof. Donald benadrukt echter dat validatiestudies met veel grotere cohorten en uitgevoerd in vele delen van de wereld nodig zijn voordat de tool betrouwbaar kan worden gebruikt. Maar in het beperkte cohort dat voor deze studie werd onderzocht, waren de resultaten veelbelovend, met CRANK-MS in staat om chemische stoffen in het bloed te analyseren om de ziekte van Parkinson op te sporen met een nauwkeurigheid tot 96 procent.
“Deze studie is op verschillende niveaus interessant”, zegt hij.
“Ten eerste is de nauwkeurigheid erg hoog voor het voorspellen van de ziekte van Parkinson vóór de klinische diagnose. Ten tweede stelde deze machine learning-benadering ons in staat om chemische markers te identificeren die het belangrijkst zijn om nauwkeurig te voorspellen wie in de toekomst de ziekte van Parkinson zal krijgen. “Ten derde, sommige van de chemische markers die nauwkeurige voorspelling sturen, zijn eerder door anderen betrokken bij de ziekte van Parkinson in cellulaire analyses, maar niet bij mensen.”
Stof tot nadenken
Er waren enkele interessante bevindingen bij het kijken naar de metabolieten van mensen die in het onderzoek Parkinson ontwikkelden.
Triterpenoïden werden bijvoorbeeld in lagere concentraties aangetroffen in het bloed van degenen die later de ziekte van Parkinson ontwikkelden in vergelijking met degenen die dat niet deden. Triterpenoïden zijn een bekende neuroprotectant die oxidatieve stress moduleert en worden vaak aangetroffen in voedingsmiddelen zoals appels, olijven en tomaten. Een toekomstige studie zou kunnen onderzoeken of het eten van deze voedingsmiddelen op natuurlijke wijze kan beschermen tegen de ontwikkeling van de ziekte van Parkinson.
Ook waard om verder onderzocht te worden was de aanwezigheid van gepolyfluoreerde alkylsubstanties (PFAS) bij mensen die later de ziekte van Parkinson ontwikkelden, wat in verband zou kunnen worden gebracht met blootstelling aan industriële chemicaliën.
“We hebben aanwijzingen dat het PFAS is, maar we hebben meer karakteriseringsgegevens nodig om 100 procent zeker te zijn”, zegt A/Prof Donald.
Vrij beschikbaar voor iedereen
CRANK-MS is een tool die openbaar beschikbaar is voor elke onderzoeker die machinaal leren wil gebruiken voor ziektediagnose met behulp van metabolomics-gegevens.
“We hebben het model zo gebouwd dat het geschikt is voor het beoogde doel”, zegt mevrouw Zhang.
“De toepassing van CRANK-MS om de ziekte van Parkinson op te sporen is slechts één voorbeeld van hoe kunstmatige intelligentie de manier kan verbeteren waarop ziekten worden gediagnosticeerd en gecontroleerd. Wat opwindend is, is dat CRANK-MS gemakkelijk kan worden toegepast op andere ziekten om nieuwe interessante biomarkers te identificeren.
“De tool is gebruiksvriendelijk waarbij op een conventionele laptop gemiddeld in minder dan 10 minuten resultaten kunnen worden gegenereerd.”
Over dit AI en Parkinson-onderzoeksnieuws
Auteur: Lachlan Gilbert
Bron: Universiteit van Nieuw-Zuid-Wales
Contact: Lachlan Gilbert – Universiteit van New South Wales
Afbeelding: Afbeelding gecrediteerd aan Neuroscience News
Originele onderzoek: De bevindingen verschijnen op ACS Centrale Wetenschap
