^
A
A
A

Η τεχνητή νοημοσύνη θα βελτιώσει την πρόγνωση και τη θεραπεία των αυτοάνοσων νοσημάτων

 
, Ιατρικός συντάκτης
Τελευταία επισκόπηση: 14.06.2024
 
Fact-checked
х

Όλα τα περιεχόμενα του iLive ελέγχονται ιατρικά ή ελέγχονται για να διασφαλιστεί η όσο το δυνατόν ακριβέστερη ακρίβεια.

Έχουμε αυστηρές κατευθυντήριες γραμμές προμήθειας και συνδέουμε μόνο με αξιόπιστους δικτυακούς τόπους πολυμέσων, ακαδημαϊκά ερευνητικά ιδρύματα και, όπου είναι δυνατόν, ιατρικά επισκοπικά μελέτες. Σημειώστε ότι οι αριθμοί στις παρενθέσεις ([1], [2], κλπ.) Είναι σύνδεσμοι με τις οποίες μπορείτε να κάνετε κλικ σε αυτές τις μελέτες.

Εάν πιστεύετε ότι κάποιο από το περιεχόμενό μας είναι ανακριβές, παρωχημένο ή αμφισβητήσιμο, παρακαλώ επιλέξτε το και πατήστε Ctrl + Enter.

21 May 2024, 11:55

Ένας νέος προηγμένος αλγόριθμος τεχνητής νοημοσύνης (AI) θα μπορούσε να οδηγήσει σε πιο ακριβείς και προηγούμενες προβλέψεις, καθώς και στην ανάπτυξη νέων θεραπειών για αυτοάνοσες ασθένειες, στις οποίες το ανοσοποιητικό σύστημα επιτίθεται κατά λάθος στα υγιή κύτταρα και ιστούς του ίδιου του σώματος. Ο αλγόριθμος αναλύει τον γενετικό κώδικα που κρύβεται πίσω από αυτές τις καταστάσεις για να μοντελοποιήσει με μεγαλύτερη ακρίβεια τον τρόπο με τον οποίο εκφράζονται και ρυθμίζονται τα γονίδια που σχετίζονται με συγκεκριμένες αυτοάνοσες ασθένειες και για τον εντοπισμό πρόσθετων γονιδίων κινδύνου.

Η εργασία, που αναπτύχθηκε από μια ομάδα ερευνητών από το Κολλέγιο Ιατρικής του Πανεπιστημίου της Πενσυλβάνια, ξεπερνά τις υπάρχουσες μεθοδολογίες και εντόπισε 26% περισσότερες νέες συσχετίσεις γονιδιακών χαρακτηριστικών, αναφέρουν οι ερευνητές. Η δουλειά τους δημοσιεύτηκε σήμερα στο Nature Communications.

"Όλοι έχουμε μεταλλάξεις στο DNA μας και πρέπει να καταλάβουμε πώς οποιαδήποτε από αυτές τις μεταλλάξεις μπορεί να επηρεάσει την έκφραση γονιδίων που σχετίζονται με ασθένειες, ώστε να μπορούμε να προβλέψουμε νωρίς τον κίνδυνο ασθένειας. Αυτό είναι ιδιαίτερα σημαντικό για τις αυτοάνοσες ασθένειες." δήλωσε ο Dajiang Liu, διακεκριμένος καθηγητής, αντιπρόεδρος έρευνας και διευθυντής τεχνητής νοημοσύνης και βιοϊατρικής πληροφορικής στο Ιατρικό Κολλέγιο του Πανεπιστημίου της Πενσυλβάνια και συν-συγγραφέας της μελέτης.

"Εάν ένας αλγόριθμος τεχνητής νοημοσύνης μπορεί να προβλέψει με μεγαλύτερη ακρίβεια τον κίνδυνο ασθένειας, αυτό σημαίνει ότι μπορούμε να παρέμβουμε νωρίτερα."

Γενετική και ανάπτυξη ασθενειών

Η γενετική συχνά βασίζεται στην ανάπτυξη ασθενειών. Οι παραλλαγές στο DNA μπορούν να επηρεάσουν την έκφραση γονιδίων, η οποία είναι η διαδικασία με την οποία οι πληροφορίες στο DNA μετατρέπονται σε λειτουργικά προϊόντα όπως η πρωτεΐνη. Το πόσο έντονα ή ασθενώς εκφράζεται ένα γονίδιο μπορεί να επηρεάσει τον κίνδυνο ασθένειας.

Οι μελέτες συσχέτισης σε όλο το γονιδίωμα (GWAS), μια δημοφιλής προσέγγιση στην έρευνα της ανθρώπινης γενετικής, μπορούν να προσδιορίσουν περιοχές του γονιδιώματος που σχετίζονται με μια συγκεκριμένη ασθένεια ή χαρακτηριστικό, αλλά δεν μπορούν να εντοπίσουν συγκεκριμένα γονίδια που επηρεάζουν τον κίνδυνο ασθένειας. Είναι παρόμοιο με το να μοιράζεστε την τοποθεσία σας με έναν φίλο, αλλά χωρίς τη λεπτομερή ρύθμιση στο smartphone σας—η πόλη μπορεί να είναι προφανής, αλλά η διεύθυνση είναι κρυμμένη.

Οι υπάρχουσες μέθοδοι είναι επίσης περιορισμένες στη λεπτομέρεια της ανάλυσης. Η γονιδιακή έκφραση μπορεί να είναι ειδική για ορισμένους τύπους κυττάρων. Εάν η ανάλυση δεν κάνει διάκριση μεταξύ διαφορετικών τύπων κυττάρων, τα αποτελέσματα ενδέχεται να μην υπάρχουν πραγματικές σχέσεις αιτίου-αποτελέσματος μεταξύ γενετικών παραλλαγών και γονιδιακής έκφρασης.

Μέθοδος EXPRESSO

Η μέθοδος της ομάδας, που ονομάζεται EXPRESSO (ΠΡΟΒΛΕΨΗ ΕΚΦΡΑΣΗΣ μόνο με Συνοπτικά Στατιστικά), χρησιμοποιεί έναν πιο προηγμένο αλγόριθμο τεχνητής νοημοσύνης και αναλύει δεδομένα από ποσοτικές υπογραφές έκφρασης μονοπύρηνων κυττάρων που συνδέουν γενετικές παραλλαγές με τα γονίδια που ρυθμίζουν.

Επίσης, ενσωματώνει τρισδιάστατα γονιδιωματικά δεδομένα και επιγενετική, η οποία μετρά τον τρόπο με τον οποίο τα γονίδια μπορούν να τροποποιηθούν από το περιβάλλον για να επηρεάσουν τις ασθένειες. Η ομάδα εφάρμοσε το EXPRESSO σε σύνολα δεδομένων GWAS για 14 αυτοάνοσες ασθένειες, συμπεριλαμβανομένων των λύκου, νόσος του Crohn, ελκώδης κολίτιδα και ρευματοειδής αρθρίτιδα.

"Με αυτή τη νέα μέθοδο, μπορέσαμε να εντοπίσουμε πολλά περισσότερα γονίδια κινδύνου για αυτοάνοσες ασθένειες που έχουν πραγματικά συγκεκριμένα αποτελέσματα κυτταρικού τύπου, που σημαίνει ότι επηρεάζουν μόνο έναν συγκεκριμένο τύπο κυττάρου και όχι άλλους", δήλωσε ο Bibo Jiang, επίκουρος καθηγητής από το University of Pennsylvania College of Medicine και ανώτερος συγγραφέας της μελέτης.

Πιθανές θεραπευτικές εφαρμογές

Η ομάδα χρησιμοποίησε αυτές τις πληροφορίες για να εντοπίσει πιθανά θεραπευτικά μέσα για αυτοάνοσα νοσήματα. Επί του παρόντος, λένε, δεν υπάρχουν καλές επιλογές μακροχρόνιας θεραπείας.

"Οι περισσότερες θεραπείες στοχεύουν στην ανακούφιση των συμπτωμάτων παρά στη θεραπεία της νόσου. Αυτό είναι ένα δίλημμα, γνωρίζοντας ότι τα αυτοάνοσα νοσήματα απαιτούν μακροχρόνια θεραπεία, αλλά οι υπάρχουσες θεραπείες έχουν συχνά τόσο κακές παρενέργειες που δεν μπορούν να χρησιμοποιηθούν μακροπρόθεσμα., η γονιδιωματική και η τεχνητή νοημοσύνη προσφέρουν ένα πολλά υποσχόμενο μονοπάτι για την ανάπτυξη νέων θεραπευτικών μεθόδων», δήλωσε η Laura Carrel, καθηγήτρια βιοχημείας και μοριακής βιολογίας στο University of Pennsylvania College of Medicine και συν-συγγραφέας της μελέτης.

Η εργασία της ομάδας έχει επισημάνει φαρμακευτικές ενώσεις που μπορούν να αντιστρέψουν την έκφραση γονιδίων σε κυτταρικούς τύπους που σχετίζονται με αυτοάνοσες ασθένειες, όπως η βιταμίνη Κ για την ελκώδη κολίτιδα και η μετφορμίνη, η οποία συνήθως συνταγογραφείται για διαβήτη τύπου 2, για διαβήτη τύπου 1. Αυτά τα φάρμακα, που έχουν ήδη εγκριθεί από τον Οργανισμό Τροφίμων και Φαρμάκων των ΗΠΑ (FDA) ως ασφαλή και αποτελεσματικά για τη θεραπεία άλλων ασθενειών, θα μπορούσαν ενδεχομένως να επαναχρησιμοποιηθούν.

Η ερευνητική ομάδα συνεργάζεται με συναδέλφους για να δοκιμάσει τα ευρήματά τους στο εργαστήριο και τελικά σε κλινικές δοκιμές.

Η Lida Wang, διδακτορική φοιτήτρια στο πρόγραμμα βιοστατιστικής, και ο Chakrit Khunsriraksakul, ο οποίος έλαβε το διδακτορικό του στη βιοπληροφορική και τη γονιδιωματική το 2022 και το πτυχίο ιατρικής τον Μάιο από το Πανεπιστήμιο της Πενσυλβάνια, ηγήθηκαν της μελέτης. Άλλοι συγγραφείς από το Κολλέγιο Ιατρικής του Πανεπιστημίου της Πενσυλβάνια περιλαμβάνουν τον Havell Marcus, ο οποίος ακολουθεί μεταπτυχιακό και πτυχίο ιατρικής. Deyi Chen, διδακτορικός φοιτητής. Fan Zhang, μεταπτυχιακός φοιτητής. Και Fang Chen, μεταδιδακτορικός συνεργάτης. Ο Xiaowei Zhang, επίκουρος καθηγητής στο Ιατρικό Κέντρο Southwestern του Πανεπιστημίου του Τέξας, συμμετείχε επίσης στην εργασία.

You are reporting a typo in the following text:
Simply click the "Send typo report" button to complete the report. You can also include a comment.