دانشمندان با بهره‌گیری از هوش مصنوعی دو زیرنوع زیستی جدید برای ام‌اس را شناسایی کردند

دانشمندان با استفاده از هوش مصنوعی دو زیرنوع زیستی پیش‌تر ناشناخته از مولتیپل اسکلروزیس (ام اس) را شناسایی کرده‌اند. این کشف می‌تواند به پزشکان کمک کند درمان‌ها را دقیق‌تر برای هر بیمار تنظیم کنند.

ام اس میلیون‌ها نفر را در سراسر جهان تحت تاثیر قرار می‌دهد، اما گزینه‌های درمانی هنوز عمدتا بر پایه علائم است و نه زیست‌شناسی زمینه‌ای بیماری. این یعنی برخی بیماران ممکن است درمان‌هایی دریافت کنند که برای شکل خاص ام اس آن‌ها کارایی کمتری دارد.

اکنون پژوهشگران می‌گویند با ترکیبی از تحلیل‌های مبتنی بر هوش مصنوعی، تصویربرداری ام‌آرآی و یک آزمایش خون ساده، دو الگوی زیستی متمایز از این بیماری را آشکار کرده‌اند.

این پژوهش چگونه انجام شد

این پژوهش به سرپرستی یونیورسیتی کالج لندن (UCL) و کوئین اسکوئر آنالیتیکس انجام شد و داده‌های حدود ۶۰۰ نفر مبتلا به ام اس را تحلیل کرد. دانشمندان بر میزان پروتئین خونی به نام زنجیره سبک نوروفیلامنت سرمی (sNfL) تمرکز کردند؛ پروتئینی که هنگام آسیب دیدن سلول‌های عصبی آزاد می‌شود و می‌تواند نشان دهد بیماری تا چه حد فعال است.

پژوهشگران با استفاده از یک مدل یادگیری ماشین به نام SuStaIn، داده‌های sNfL را با اسکن‌های تصویربرداری مغزی ترکیب کردند. یافته‌های آن‌ها که در نشریه پزشکی Brain منتشر شده‌اند، دو زیرنوع ام اس را نشان می‌دهند: «sNfL زودهنگام» و «sNfL دیرهنگام».

در افراد مبتلا به ام اس از نوع sNfL زودهنگام، سطح بالای این پروتئین در ابتدای بیماری ظاهر می‌شود و همزمان آسیب به جسم پینه‌ای، ساختاری که دو نیمکره مغز را به هم متصل می‌کند، دیده می‌شود. این بیماران همچنین سریع‌تر دچار ضایعات مغزی می‌شوند که نشان‌دهنده شکل تهاجمی‌تر و فعال‌تر ام اس است.

در مبتلایان به ام اس sNfL دیرهنگام، پیش از افزایش سطح sNfL، کوچک‌شدن مغز در نواحی‌ای مانند قشر لیمبیک و ماده خاکستری عمقی مشاهده شد. این الگو آهسته‌تر به نظر می‌رسد و آسیب عصبی آشکارتر دیرتر رخ می‌دهد.

چرا این کشف می‌تواند شیوه تشخیص و درمان ام اس را تغییر دهد

پژوهشگران می‌گویند شناسایی این الگوهای زیستی می‌تواند به پزشکان کمک کند روند احتمالی پیشرفت بیماری را پیش‌بینی کنند و بر همان اساس درمان انتخاب کنند.

دکتر آرمان عشاقی، نویسنده اصلی این مطالعه و پژوهشگر در UCL، گفت: «ام اس یک بیماری واحد نیست و زیرنوع‌های کنونی نمی‌توانند تغییرات بافتی زمینه‌ای را که برای درمان باید بشناسیم، توضیح دهند.»

او گفت: «با استفاده از یک مدل هوش مصنوعی در کنار یک نشانگر خونی در دسترس و ام‌آرآی توانسته‌ایم برای نخستین‌بار دو الگوی زیستی روشن از ام اس را نشان دهیم.» او افزود: «این کار به پزشکان کمک می‌کند بفهمند هر فرد در مسیر بیماری کجا قرار دارد و چه کسانی ممکن است به پایش نزدیک‌تر یا درمان هدفمند زودتر نیاز داشته باشند.»

در آینده، بیمارانی که به‌عنوان مبتلا به ام اس sNfL زودهنگام شناسایی می‌شوند، می‌توانند زودتر درمان‌های با اثربخشی بالاتر دریافت کنند و با دقت بیشتری پایش شوند. مبتلایان به sNfL دیرهنگام ممکن است از رویکردهای متفاوتی سود ببرند، از جمله درمان‌هایی که برای محافظت از سلول‌های مغزی و کند کردن تحلیل‌رفتگی طراحی شده‌اند.

کیتلین آستبری، مدیر ارشد ارتباطات پژوهشی در انجمن ام اس، به گاردین گفت: «این پیشرفت هیجان‌انگیزی در فهم ما از ام اس است.»

او توضیح داد این مطالعه با استفاده از یادگیری ماشین، اسکن‌های ام‌آرآی و نشانگرهای زیستی افراد مبتلا به ام اس عودکننده-فروکش‌کننده و پیشرونده ثانویه را با هم ترکیب کرده است.

آستبری به گاردین گفت: «در سال‌های اخیر درک بهتری از زیست‌شناسی این وضعیت پیدا کرده‌ایم.» او افزود: «اما در حال حاضر تعاریف بر اساس علائم بالینیِ تجربه‌شده توسط فرد است. ام اس پیچیده است و این دسته‌بندی‌ها اغلب آنچه در بدن رخ می‌دهد را دقیق بازتاب نمی‌دهند و همین درمان موثر را دشوار می‌کند.»

برای افراد مبتلا به ام اس عودکننده حدود ۲۰ گزینه درمانی در دسترس است و برای شکل‌های پیشرونده بیماری نیز برخی درمان‌ها تازه در حال ظهورند. با این حال بسیاری از بیماران همچنان گزینه‌های محدود یا بی‌اثر دارند.

آستبری گفت: «هرچه بیشتر درباره این وضعیت بیاموزیم، احتمال بیشتری دارد بتوانیم درمان‌هایی پیدا کنیم که جلوی پیشرفت بیماری را بگیرند.»