Makine öğrenimi yöntemi, nörodejeneratif hastalığın yeni tanımlanan kalıplarda ilerleyebileceğini gösteriyor

Amyotrofik lateral skleroz (ALS veya Lou Gehrig hastalığı), Alzheimer ve Parkinson gibi nörodejeneratif hastalıklar, çeşitli semptomlarla ortaya çıkabilen, farklı oranlarda kötüleşen ve birçok altta yatan genetik ve çevresel nedeni olan karmaşık, kronik rahatsızlıklardır. hangileri bilinmiyor. ALS, özellikle istemli kas hareketini etkiler ve her zaman ölümcüldür, ancak çoğu insan teşhisten sonra sadece birkaç yıl hayatta kalırken, diğerleri hastalıkla on yıllarca yaşar. ALS’nin belirtileri de önemli ölçüde değişebilir; genellikle daha yavaş hastalık gelişimi, uzuvlarda başlangıç ​​ile ilişkilidir ve ince motor becerileri etkilerken, daha ciddi olan bulbar ALS, yutma, konuşma, nefes alma ve hareketliliği etkiler. Bu nedenle, ALS gibi hastalıkların ilerleyişini anlamak, klinik araştırmalara kayıt olmak, potansiyel müdahalelerin analizi ve kök nedenlerin keşfi için kritik öneme sahiptir.

Bununla birlikte, hastalık evrimini değerlendirmek kolay olmaktan uzaktır. Mevcut klinik çalışmalar, tipik olarak, bir semptom derecelendirme ölçeğinde sağlığın aşağı doğru doğrusal bir yörüngede düştüğünü varsayar ve ilaçların hastalığın ilerlemesini yavaşlatıp yavaşlatmadığını değerlendirmek için bu doğrusal modelleri kullanır. Bununla birlikte, veriler ALS’nin sıklıkla doğrusal olmayan yörüngeleri izlediğini ve semptomların stabil olduğu dönemlerle hızla değiştiği dönemlerle dönüşümlü olduğunu göstermektedir. Veriler seyrek olabileceğinden ve sağlık değerlendirmeleri genellikle eşit olmayan zaman aralıklarında ölçülen öznel derecelendirme ölçütlerine dayandığından, hasta popülasyonları arasında karşılaştırma yapmak zordur. Bu heterojen veriler ve ilerleme, sırayla, buluşun etkinliğinin analizlerini karmaşıklaştırır ve potansiyel olarak hastalık kökenini maskeler.

Şimdi, MIT, IBM Research ve başka yerlerden araştırmacılar tarafından geliştirilen yeni bir makine öğrenimi yöntemi, klinik deney tasarımını bilgilendirmek için ALS hastalığının ilerleme modellerini daha iyi karakterize etmeyi amaçlıyor.

MIT’de araştırma uzmanı olan Divya Ramamoorthy Ph.D., “İlerleme modellerini paylaşan birey grupları var. Örneğin, bazıları gerçekten hızlı ilerleyen ALS’ye sahip gibi görünüyor ve diğerlerinde zaman içinde değişen yavaş ilerleyen ALS’ye sahip görünüyor” diyor. ve bu ay yayınlanan çalışma hakkında yeni bir makalenin baş yazarı Doğa Hesaplamalı Bilim. “Sorduğumuz soru şu: bireyler arasında bu tür tutarlı kalıpların var olup olmadığını ve ne ölçüde olduğunu belirlemek için makine öğrenimini kullanabilir miyiz?”

Teknikleri gerçekten de ALS ilerlemesinde, çoğu lineer olmayan ayrık ve sağlam klinik paternler tanımladı. Ayrıca, bu hastalık progresyon alt tipleri, hasta popülasyonları ve hastalık ölçümleri arasında tutarlıydı. Ekip ayrıca, yöntemlerinin Alzheimer ve Parkinson hastalıklarına da uygulanabileceğini buldu.

Kağıt üzerinde Ramamoorthy’ye katılanlar arasında MIT-IBM Watson AI Lab üyeleri, MIT Biyoloji Mühendisliği Bölümü’nde profesör olan Ernest Fraenkel; IBM Research’ten Araştırma Bilimcisi Soumya Ghosh; ve yine IBM Research’ten Baş Araştırma Bilimcisi Kenney Ng.

Sağlık düşüşünü yeniden şekillendirme

Klinisyenlere danıştıktan sonra, makine öğrenimi araştırmacıları ve nörologlardan oluşan ekip, verilerin kendisi için konuşmasına izin verdi. İki yöntem kullanan denetimsiz bir makine öğrenimi modeli tasarladılar: Gauss süreç regresyonu ve Dirichlet süreç kümelemesi. Bunlar, sağlık yörüngelerini doğrudan hasta verilerinden çıkardı ve kümelerin sayısını veya eğrilerin şeklini reçete etmeden benzer yörüngeleri otomatik olarak gruplandırdı ve ALS ilerleme “alt türleri” oluşturdu. Yöntemleri, nörodejeneratif hastalık progresyonları için beklentilerle tutarlı olarak, negatif yörüngeler için bir önyargı şeklinde önceki klinik bilgileri birleştirdi, ancak herhangi bir doğrusallık varsaymadı. Ng, “Doğrusallığın gerçekte gözlemlenenleri yansıtmadığını biliyoruz” diyor. “Burada kullandığımız yöntemler ve modeller, pahalı etiketli verilere ve parametre reçetelerine gerek kalmadan, verilerde görüleni yakalamaları anlamında daha esnekti”.

Öncelikle, modeli ALS klinik deneylerinden ve gözlemsel çalışmalardan elde edilen beş uzunlamasına veri kümesine uyguladılar. Bunlar, semptom gelişimini ölçmek için altın standardı kullandılar: Hasta nörolojik bozukluğunun küresel bir resmini yakalayan, ancak biraz “dağınık bir ölçü” olabilen revize edilmiş ALS fonksiyonel derecelendirme ölçeği (ALSFRS-R). Ek olarak, hayatta kalma olasılıkları, zorlu hayati kapasite (solunum fonksiyonunun bir ölçümü) ve ALSFRS-R’nin bireysel vücut fonksiyonlarına bakan alt puanları üzerindeki performans dahil edildi.

Yeni ilerleme ve fayda rejimleri

Popülasyon düzeyindeki modelleri bu metrikler üzerinde eğitildiğinde ve test edildiğinde, birçok yörüngeden dört baskın hastalık modeli ortaya çıktı – sigmoidal hızlı ilerleme, istikrarlı yavaş ilerleme, kararsız yavaş ilerleme ve dengesiz orta ilerleme – çoğu güçlü doğrusal olmayan özelliklere sahip. Özellikle, hastaların tedavileri, klinik deneylere katılımı ve yaşam kalitesini önemli ölçüde etkileyecek, işlevsel uçurum adı verilen ani bir yetenek kaybı yaşadığı yörüngeleri yakaladı.

Araştırmacılar, kümeleme ve doğrusallığın modelin doğruluğuna katkısını ayırmak için yöntemlerini sahada yaygın olarak kullanılan diğer doğrusal ve doğrusal olmayan yaklaşımlarla karşılaştırdılar. Yeni çalışma, hastaya özel modellerde bile onlardan daha iyi performans gösterdi ve alt tip modellerinin ölçümler arasında tutarlı olduğunu buldu. Etkileyici bir şekilde, veriler saklandığında, model eksik değerleri enterpolasyon yapabildi ve kritik bir şekilde gelecekteki sağlık önlemlerini tahmin edebildi. Model ayrıca bir ALSFRS-R veri kümesi üzerinde eğitilebilir ve diğerlerinde küme üyeliğini tahmin edebilir, bu da onu sağlam, genelleştirilebilir ve kıt verilerle doğru hale getirir. 6-12 aylık veriler mevcut olduğu sürece, sağlık yörüngeleri geleneksel yöntemlerden daha yüksek bir güvenle çıkarılabilir.

Araştırmacıların yaklaşımı, her ikisi de bir dizi semptom sunumuna ve ilerlemesine sahip olabilen Alzheimer ve Parkinson hastalıkları hakkında da fikir verdi. Alzheimer için, yeni teknik, farklı hastalık paternlerini, özellikle hafiften şiddetli hastalığa dönüşüm oranlarındaki varyasyonları tanımlayabilir. Parkinson analizi, ilaç dışı skorlar için ilerleme yörüngeleri ile Parkinson hastalığının tremor baskın veya postural instabilite/yürüme güçlüğü formları gibi hastalık fenotipleri arasında bir ilişki olduğunu göstermiştir.

Çalışma, karmaşık nörodejeneratif hastalık zaman serisindeki gürültü arasındaki sinyali bulmak için önemli adımlar atıyor. “Gördüğümüz örüntüler, daha önce gösterildiğine inanmadığım çalışmalar arasında tekrarlanabilir ve bunun, alt tiplemeyi nasıl alt-tipleştirdiğimiz üzerinde etkileri olabilir. [ALS] hastalık” diyor Fraenkel. FDA, klinik deney tasarımlarında doğrusal olmamanın etkisini değerlendirirken, ekip çalışmalarının özellikle yerinde olduğunu belirtiyor.

Hastalık mekanizmalarını anlamanın yeni yolları çevrimiçi hale geldikçe, bu model ALS, Alzheimer ve Parkinson gibi hastalıkları sistem biyolojisi perspektifinden ayırmak için başka bir araç sunuyor.

Laboratuvarı hastalıkların etiyolojisini ve olası hedefleri anlamak için hücresel değişikliklere bakan Fraenkel, “Aynı hastalardan çok sayıda moleküler veriye sahibiz ve bu nedenle uzun vadeli hedefimiz hastalığın alt türlerinin olup olmadığını görmek” diyor. tedaviler için.

“Bir yaklaşım, semptomlarla başlamak… ve farklı hastalık ilerleme modellerine sahip insanların moleküler düzeyde de farklı olup olmadığını görmek. Bu sizi bir terapiye götürebilir. Sonra aşağıdan yukarıya yaklaşım var, burada moleküllerle başlıyorsunuz. ve etkilenebilecek biyolojik yolları yeniden oluşturmaya çalışın. [to be tackling this] her iki uçtan da… ve ortada bir şey buluşup buluşmadığını bulmak.”

---