Cient\u00edficos de la UNSW Sydney con colaboradores de la Universidad de Boston han desarrollado una herramienta que muestra una promesa temprana en la detecci\u00f3n de la enfermedad de Parkinson a\u00f1os antes de que comiencen a aparecer los primeros s\u00edntomas. En una investigaci\u00f3n publicada hoy en la revista ACS Central Science, los investigadores describieron c\u00f3mo usaron redes neuronales para analizar biomarcadores en los fluidos corporales de los pacientes. Los investigadores de la Facultad de Qu\u00edmica de la UNSW examinaron muestras de sangre extra\u00eddas de individuos sanos recogidas por la Investigaci\u00f3n Prospectiva Europea Espa\u00f1ola sobre el C\u00e1ncer y la Nutrici\u00f3n (EPIC). Centr\u00e1ndose en 39 pacientes que desarrollaron Parkinson hasta 15 a\u00f1os despu\u00e9s, el equipo ejecut\u00f3 su programa de aprendizaje autom\u00e1tico sobre conjuntos de datos que conten\u00edan informaci\u00f3n extensa sobre metabolitos, los compuestos qu\u00edmicos que el cuerpo crea al descomponer los alimentos, las drogas o los productos qu\u00edmicos.<\/p>\n\n\n\n
Despu\u00e9s 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 \u00fanicas de metabolitos que podr\u00edan prevenir o potencialmente ser se\u00f1ales 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 autom\u00e1tico llamada CRANK-MS, que significa Clasificaci\u00f3n y an\u00e1lisis de clasificaci\u00f3n utilizando redes neuronales que generan conocimiento a partir de espectrometr\u00eda de masas.<\/p>\n\n\n\n
“El m\u00e9todo m\u00e1s com\u00fan para analizar datos de metabol\u00f3mica es a trav\u00e9s de enfoques estad\u00edsticos”, dice Zhang.<\/p>\n\n\n\n
“Entonces, para determinar qu\u00e9 metabolitos son m\u00e1s importantes para la enfermedad en comparaci\u00f3n con los grupos de control, los investigadores generalmente observan las correlaciones que involucran mol\u00e9culas espec\u00edficas”.<\/p>\n\n\n\n
“Pero aqu\u00ed tenemos en cuenta que los metabolitos pueden tener asociaciones con otros metabolitos, que es donde entra en juego el aprendizaje autom\u00e1tico. Con cientos a miles de metabolitos, hemos utilizado el poder computacional para comprender lo que est\u00e1 sucediendo”.<\/p>\n\n\n\n
El profesor Donald dice que adem\u00e1s de observar las combinaciones de metabolitos, los investigadores utilizaron una lista de datos sin editar.<\/p>\n\n\n\n
“Por lo general, los investigadores que utilizan el aprendizaje autom\u00e1tico para examinar las correlaciones entre los metabolitos y la enfermedad primero reducen la cantidad de caracter\u00edsticas qu\u00edmicas, antes de introducirlas en el algoritmo”, dice.<\/p>\n\n\n\n
“Pero aqu\u00ed ingresamos toda la informaci\u00f3n en CRANK-MS sin ninguna reducci\u00f3n de datos desde el principio. Y a partir de eso, podemos obtener la predicci\u00f3n del modelo e identificar qu\u00e9 metabolitos impulsan m\u00e1s la predicci\u00f3n, todo en un solo paso. Significa que si hay metabolitos que podr\u00edan haberse pasado por alto con los enfoques convencionales, ahora podemos detectarlos”.<\/p>\n\n\n\n
C\u00f3mo esto podr\u00eda ser significativo para la enfermedad de Parkinson Sin embargo, el profesor Donald enfatiza que se necesitan estudios de validaci\u00f3n utilizando cohortes mucho m\u00e1s grandes y realizados en m\u00faltiples 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 qu\u00edmicas que se encuentran en la sangre para detectar la enfermedad de Parkinson con una precisi\u00f3n de hasta el 96%.<\/p>\n\n\n\n “Este estudio es interesante en m\u00faltiples niveles”, dice.<\/p>\n\n\n\n “Primero, la precisi\u00f3n es muy alta para predecir la enfermedad de Parkinson antes del diagn\u00f3stico cl\u00ednico. Segundo, este enfoque de aprendizaje autom\u00e1tico nos permiti\u00f3 identificar marcadores qu\u00edmicos que son los m\u00e1s importantes para predecir con precisi\u00f3n qui\u00e9n desarrollar\u00e1 la enfermedad de Parkinson en el futuro. Tercero, algunos de los marcadores qu\u00edmicos que impulsan la predicci\u00f3n precisa han sido implicados previamente por otros en la enfermedad de Parkinson en ensayos basados en c\u00e9lulas, pero no en humanos”.<\/p>\n\n\n\n Comida para el pensamiento “Tenemos evidencia que sugiere que es PFAS, pero necesitamos m\u00e1s datos de caracterizaci\u00f3n para estar 100 por ciento seguros”, dice profesor Donald.<\/p>\n\n\n\n Libremente disponible para todos “Hemos construido el modelo de tal manera que se ajuste a su prop\u00f3sito”, dice Zhang.<\/p>\n\n\n\n “La aplicaci\u00f3n de CRANK-MS para detectar la enfermedad de Parkinson es solo un ejemplo de c\u00f3mo la IA puede mejorar la forma en que diagnosticamos y controlamos las enfermedades. Lo emocionante es que CRANK-MS se puede aplicar f\u00e1cilmente a otras enfermedades para identificar nuevos biomarcadores de inter\u00e9s”.<\/p>\n\n\n\n “La herramienta es f\u00e1cil de usar y, en promedio, los resultados se pueden generar en menos de 10 minutos en una computadora port\u00e1til convencional”.<\/p>\n\n\n\n
<\/strong>En la actualidad, la enfermedad de Parkinson se diagnostica mediante la observaci\u00f3n de s\u00edntomas f\u00edsicos como el temblor de la mano en reposo. No existen an\u00e1lisis de sangre o de laboratorio para diagnosticar casos no gen\u00e9ticos de la misma. Pero los s\u00edntomas at\u00edpicos como el trastorno del sue\u00f1o y la apat\u00eda pueden presentarse en personas con Parkinson d\u00e9cadas antes de que aparezcan los s\u00edntomas motores. CRANK-MS, por lo tanto, podr\u00eda usarse ante el primer signo de estos s\u00edntomas at\u00edpicos para descartar o descartar el riesgo de desarrollar Parkinson en el futuro.<\/p>\n\n\n\n
<\/strong>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 m\u00e1s bajas en la sangre de quienes desarrollaron posteriormente la enfermedad de Parkinson en comparaci\u00f3n con quienes no la desarrollaron. Los triterpenoides son un neuroprotector conocido que regula el estr\u00e9s oxidativo y se encuentran com\u00fanmente en alimentos como manzanas, aceitunas y tomates. Un estudio futuro podr\u00eda examinar si comer estos alimentos podr\u00eda proteger de forma natural contra el desarrollo de la enfermedad de Parkinson. Tambi\u00e9n merec\u00eda una mayor exploraci\u00f3n la presencia de sustancias alqu\u00edlicas polifluoradas (PFAS) en personas que desarrollaron Parkinson, lo que podr\u00eda estar relacionado con la exposici\u00f3n a productos qu\u00edmicos industriales.<\/p>\n\n\n\n
<\/strong>CRANK-MS es una herramienta que est\u00e1 disponible p\u00fablicamente para cualquier investigador que desee utilizar el aprendizaje autom\u00e1tico para el diagn\u00f3stico de enfermedades utilizando datos de metabol\u00f3mica.<\/p>\n\n\n\n