Científicos de la UNSW Sydney con colaboradores de la Universidad de Boston han desarrollado una herramienta que muestra una promesa temprana en la detección de la enfermedad de Parkinson años antes de que comiencen a aparecer los primeros síntomas. En una investigación publicada hoy en la revista ACS Central Science, los investigadores describieron cómo usaron redes neuronales para analizar biomarcadores en los fluidos corporales de los pacientes. Los investigadores de la Facultad de Química de la UNSW examinaron muestras de sangre extraídas de individuos sanos recogidas por la Investigación Prospectiva Europea Española sobre el Cáncer y la Nutrición (EPIC). Centrándose en 39 pacientes que desarrollaron Parkinson hasta 15 años después, el equipo ejecutó su programa de aprendizaje automático sobre conjuntos de datos que contenían información extensa sobre metabolitos, los compuestos químicos que el cuerpo crea al descomponer los alimentos, las drogas o los productos químicos.
Después de comparar estos metabolitos con los de 39 pacientes de control emparejados, personas en el mismo estudio que no desarrollaron Parkinson, el equipo pudo identificar combinaciones únicas de metabolitos que podrían prevenir o potencialmente ser señales de advertencia tempranas para el Parkinson. Como explica la investigadora de la UNSW, Diana Zhang, ella y el profesor asociado W. Alexander Donald desarrollaron una herramienta de aprendizaje automático llamada CRANK-MS, que significa Clasificación y análisis de clasificación utilizando redes neuronales que generan conocimiento a partir de espectrometría de masas.
“El método más común para analizar datos de metabolómica es a través de enfoques estadísticos”, dice Zhang.
“Entonces, para determinar qué metabolitos son más importantes para la enfermedad en comparación con los grupos de control, los investigadores generalmente observan las correlaciones que involucran moléculas específicas”.
“Pero aquí tenemos en cuenta que los metabolitos pueden tener asociaciones con otros metabolitos, que es donde entra en juego el aprendizaje automático. Con cientos a miles de metabolitos, hemos utilizado el poder computacional para comprender lo que está sucediendo”.
El profesor Donald dice que además de observar las combinaciones de metabolitos, los investigadores utilizaron una lista de datos sin editar.
“Por lo general, los investigadores que utilizan el aprendizaje automático para examinar las correlaciones entre los metabolitos y la enfermedad primero reducen la cantidad de características químicas, antes de introducirlas en el algoritmo”, dice.
“Pero aquí ingresamos toda la información en CRANK-MS sin ninguna reducción de datos desde el principio. Y a partir de eso, podemos obtener la predicción del modelo e identificar qué metabolitos impulsan más la predicción, todo en un solo paso. Significa que si hay metabolitos que podrían haberse pasado por alto con los enfoques convencionales, ahora podemos detectarlos”.
Cómo esto podría ser significativo para la enfermedad de Parkinson
En la actualidad, la enfermedad de Parkinson se diagnostica mediante la observación de síntomas físicos como el temblor de la mano en reposo. No existen análisis de sangre o de laboratorio para diagnosticar casos no genéticos de la misma. Pero los síntomas atípicos como el trastorno del sueño y la apatía pueden presentarse en personas con Parkinson décadas antes de que aparezcan los síntomas motores. CRANK-MS, por lo tanto, podría usarse ante el primer signo de estos síntomas atípicos para descartar o descartar el riesgo de desarrollar Parkinson en el futuro.
Sin embargo, el profesor Donald enfatiza que se necesitan estudios de validación utilizando cohortes mucho más grandes y realizados en múltiples partes del mundo antes de que la herramienta pueda usarse de manera confiable. Pero en la cohorte limitada examinada para este estudio, los resultados fueron prometedores, con CRANK-MS capaz de analizar las sustancias químicas que se encuentran en la sangre para detectar la enfermedad de Parkinson con una precisión de hasta el 96%.
“Este estudio es interesante en múltiples niveles”, dice.
“Primero, la precisión es muy alta para predecir la enfermedad de Parkinson antes del diagnóstico clínico. Segundo, este enfoque de aprendizaje automático nos permitió identificar marcadores químicos que son los más importantes para predecir con precisión quién desarrollará la enfermedad de Parkinson en el futuro. Tercero, algunos de los marcadores químicos que impulsan la predicción precisa han sido implicados previamente por otros en la enfermedad de Parkinson en ensayos basados en células, pero no en humanos”.
Comida para el pensamiento
Hubo algunos hallazgos interesantes al examinar los metabolitos de las personas que desarrollaron Parkinson en el estudio. Por ejemplo, los triterpenoides se encontraron en concentraciones más bajas en la sangre de quienes desarrollaron posteriormente la enfermedad de Parkinson en comparación con quienes no la desarrollaron. Los triterpenoides son un neuroprotector conocido que regula el estrés oxidativo y se encuentran comúnmente en alimentos como manzanas, aceitunas y tomates. Un estudio futuro podría examinar si comer estos alimentos podría proteger de forma natural contra el desarrollo de la enfermedad de Parkinson. También merecía una mayor exploración la presencia de sustancias alquílicas polifluoradas (PFAS) en personas que desarrollaron Parkinson, lo que podría estar relacionado con la exposición a productos químicos industriales.
“Tenemos evidencia que sugiere que es PFAS, pero necesitamos más datos de caracterización para estar 100 por ciento seguros”, dice profesor Donald.
Libremente disponible para todos
CRANK-MS es una herramienta que está disponible públicamente para cualquier investigador que desee utilizar el aprendizaje automático para el diagnóstico de enfermedades utilizando datos de metabolómica.
“Hemos construido el modelo de tal manera que se ajuste a su propósito”, dice Zhang.
“La aplicación de CRANK-MS para detectar la enfermedad de Parkinson es solo un ejemplo de cómo la IA puede mejorar la forma en que diagnosticamos y controlamos las enfermedades. Lo emocionante es que CRANK-MS se puede aplicar fácilmente a otras enfermedades para identificar nuevos biomarcadores de interés”.
“La herramienta es fácil de usar y, en promedio, los resultados se pueden generar en menos de 10 minutos en una computadora portátil convencional”.
Fuente: Medical Xpress.