Biomarkerek a súlyos depresszió diagnózisában
Mesterséges intelligenciát is felhasználva nyálból kimutatható depresszió-biomarkerekre bukkant egy nemzetközi kutatócsoport.
- A háziorvosok szerepe a depresszió felismerésében és az öngyilkosság megelőzésében
- Új vizsgálati hatóanyagosztály a depresszió kezelésében
- A ketamin és elektrokonvulzív terápia depresszióban
- Kombinált terápia akut depresszióban
- Az SSRI terápia lehetséges indikátora
- Depresszió, öngyilkosság és antidepresszívumok – tények és tévhitek
- Depresszió, játékszenvedély, öngyilkosság
- Borderline személyiségzavar: tények, tévhitek, terápiák
- Testmozgás időskori depresszióban
- Lehetséges új antidepresszívum célpont
- Depresszió, szorongás, Alzheimer-kór
- Ketamin és esketamin kezelés rezisztens depresszióban
- Új nazális készítmény terápiarezisztens depresszió kezelésére
- Depresszió kezelése mélyagyi stimulációval
- Fókuszált ultrahangos kezelések depresszióban
- Új antidepresszívum célpont
A moszkvai Skolkovo Institute of Science and Technology (Skoltech), az Emirátusokban működő University of Sharjah és a kazah Al-Farabi Kazakh National University közös kutatócsoportja a Neurobiology of Stress folyóiratban közölt cikkében arról számolt be, hogy több non-invazív módszerekkel kimutatható biomarkert azonosítottak a major depresszió objektív diagnózisának felállítása érdekében.
Az objektív jelző itt nagyon fontos, tekintettel arra, hogy meglehetősen megbízhatatlan eszközökkel rendelkezünk a mentális betegséget diagnózisát illetően: a jelenlegi gyakorlatban ezeket a kórképeket általában a beteggel folytatott beszélgetések, kérdőívek és pontozásos skálák segítségével diagnosztizálják, amit különböző orvosok eltérő módon ítélhetnek meg, azaz szubjektív módszereknek minősülnek. Ez azért is baj, mert a klinikai, major depresszió (MDD, major depressive disorder) az onkológiai kórokok mögött a második leggyakoribb rokkantosító, munkaképesség-csökkentő hatású betegség, és becslések szerint 2030-ra át is veszi ezen a kétes dicsőségű listán a vezető helyet.
A kutatócsoport vezetője Maxim Sarajev, a Skoltech Alkalmazott Mesterséges Intelligencia Központjának munkatársa szerint “elhatároztuk, hogy megbízható és könnyen kimutatható biomarkereket fogunk keresni. Egy MRI vizsgálat nem áll mindenhol rendelkezésre, míg a vérvételt igen sok beteg tagadja meg, ezért non-invazív biomarkerekben gondolkodtunk: választásunk végül a nyálmintákra és a transzkriptum elemzésre esett, amihez mesterséges intelligenciát, gépi tanulásos (machine learning) modelleket használtunk fel. Ugyanakkor feltételeztük azt is, hogy az egyszerű biomarkerek korszaka a végéhez közeledik. Ma már egyetlen kritérium nem elég egy betegség diagnosztizálásához. Olyan markerek kombinációjára van tehát szükségünk, amelyeket gépi tanulással könnyebb megtalálni. Átfogó adatokat szereztünk, és olyan gépi tanulási modelleket készítettünk, amelyek e különböző típusú adatok alapján integratív biomarkereket tárhatnak fel. De mielőtt ezeket a típusokat egyesítettük volna, mindegyiküket külön-külön is tanulmányoztuk, hogy felismerjük, melyik az a csoport, amelyikre érdemes jobban odafigyelni.”
A kutatók a transzkriptum-elemzésben 170 klinikai depresszióval diagnosztizált beteg és 121 egészséges kontroll személy vett részt, akiket ugyanazokkal a bioinformatikai és gépi tanulási módszerekkel vizsgáltak, hogy feltárják a nehezen megfigyelhető különbségeket.
"A bioinformatika hagyományos módszerei segítenek kezelni a multimodális adatokat, ám a kis minta korlátokat szab neki. Ezek általános, statisztikán alapuló módszerek, de vannak hiányosságaik. , ezért a Skoltechben ezeket a módszereket gépi tanulással egészítettük ki. Ugyanezen adatok felhasználásával modelleket állítottunk fel, biztosítottuk a klasszifikációk magas minőségét, és több olyan génre sikerült bukkannunk, amelyek expressziója igen gyakran merült fel a depresszióval diagnosztizált betegeknél.”
A kutatók az egészséges és a diagnosztizált betegeken végzett elemzések eredményeit egy új mintával és laboratóriumi vizsgálatokkal validálták 12 klinikai depresszióban szenvedő beteg és 8 egészséges résztvevő nyálmintájának vizsgálatával. Az Allen Brain Atlas segítségével a tudósok bebizonyították, hogy ezek a gének az emberi agy különböző területein expresszálódnak.
A bioinformatikai és a gépi tanulásos megközelítések közötti integratív elemzés tíz kulcsfontosságú, súlyos depresszióval asszociált biomarkert azonosított: NRG1, CEACAM8, CLEC12B, DEFA4, HP, LCN2, OLFM4, SERPING1, TCN1 és THBS1. Ezek közül a szinaptikus plaszticitásban és neurotranszmisszióban fontos szerepet betöltő NRG1 volt a legrobusztusabban kimutatható és a legmegbízhatóbb az MDD-s betegek és az egészséges kontrollok megkülönböztetésében. Az MDD-s és egészséges egyének betegcsoportjaiból származó nyálminták felhasználásával végzett további értékelés megerősítette az NRG1 upregulációját az MDD-s betegeknél az egészséges kontrollokhoz képest.
A jövőben a kutatók további célja a szűrési és gyorsdiagnosztikai eljárásokhoz szükséges gének körének bővítése és pontosítása. Emellett a kutatás rávilágít a mesterséges intelligencia bioinformatikai elemzésekkel kombinált alkalmazásának fontosságára annak érdekében, hogy mélyebb ismereteket szerezhessünk az olyan összetett betegségekben szerepet játszó egyes molekuláris mechanizmusokról, mint amilyen például a súlyos depresszió.
Írásunk az alábbi közlemények alapján készült:
New study uses machine learning to unveil non-invasive biomarkers for clinical depression
Irodalmi hivatkozás:
Amal Bouzid et al, Integrative bioinformatics and artificial intelligence analyses of transcriptomics data identified genes associated with major depressive disorders including NRG1, Neurobiology of Stress (2023). DOI: 10.1016/j.ynstr.2023.100555.
