Technika založená na strojovom učení môže pomôcť s odhalením aj zložitých, ťažko diagnostikovateľných autoimunitných chorôb.
Technika založená na strojovom učení môže pomôcť s odhalením aj zložitých, ťažko diagnostikovateľných autoimunitných chorôb. Zdroj: iStock.com/metamorworks
Imunitný systém v sebe ukrýva informácie o všetkých vírusoch či baktériách, s ktorými sa naše telo za celý život stretlo, ale aj o dávkach vakcín, ktoré sme počas života absolvovali.
Výskumníci z Lekárskej fakulty Stanfordovej univerzity vymysleli spôsob, ako túto databázu vyťažiť pri diagnostike rozmanitých ochorení. Hoci si to skôr predstavujú ako spôsob skríningu viacerých chorôb súčasne, technika založená na strojovom učení sa dá optimalizovať i na odhaľovanie zložitých, ťažko diagnostikovateľných autoimunitných chorôb, akými je napríklad lupus. Vyvinuli systém, ktorý dokáže diagnostikovať celý rad infekcií a zdravotných ťažkostí už pri prvom použití, a to pomocou skríningu génových sekvencií imunitných buniek vo vzorkách krvi.
V štúdii na takmer 600 dobrovoľníkoch, z ktorých boli mnohí zdraví, iní zas mali rôzne ochorenia či infekcie ako koronavírus, lupus či cukrovku, otestovali nový algoritmus s názvom Mal-ID na imunologickú diagnostiku. Len na základe sekvencie a štruktúry receptorov B-buniek a T-buniek dokázal určiť, akým vírusom trpia pacienti. B-bunky produkujú protilátky, ktoré sa viažu na vírusy a škodlivé molekuly, zatiaľ čo T-bunky aktivujú iné reakcie alebo zabíjajú infikované bunky.
Umelá inteligencia správne diagnostikovala väčšinu ochorení
Pokiaľ má človek infekciu alebo autoimunitné ochorenie, pri ktorom telo omylom napáda vlastné tkanivá, B-bunky a T-bunky sa začnú rozmnožovať a zároveň začnú produkovať špecifické povrchové receptory. Sekvencia génov, ktoré kódujú tieto receptory, môže odhaliť jedinečný záznam o chorobách a infekciách danej osoby.
Súčasné diagnostické nástroje čiastočne, ale len málo využívajú záznamy imunitného systému o vystavení chorobám. Sekvenovanie B-buniek a T-buniek môže odborníkom poskytnúť detailnejší prehľad o imunitnej aktivite týchto buniek.
Vedúci výskumu Maxim Zaslavsky zo Stanfordovej univerzity vytvoril spolu s kolegami nástroj umelej inteligencie, ktorý kombinuje šesť modelov strojového učenia na analýzu génových sekvencií kódujúcich kľúčové oblasti v receptoroch B-buniek a T-buniek. Tento nástroj by mal vytypovať konkrétne vzorce spojené s danými ochoreniami.
Tím skúsil využiť tento nástroj strojového učenia pri kontrole 16,2 milióna B-bunkových receptorov a 23,5 milióna T-bunkových receptorov vo vzorkách krvi odobratých 593 ľuďom. Z týchto účastníkov malo 63 koronavírus, 95 bolo HIV pozitívnych, 86 malo lupus, 92 cukrovku 1. typu, 37 bolo nedávno očkovaných proti chrípke a 220 bolo úplne zdravých.
Pri analýze 542 vzoriek týchto účastníkov, ktorí mali údaje o B-bunkách aj T-bunkách, dosiahol nástroj umelej inteligencie skóre 0,986 v metrike, ktorá meria, ako správne diagnostikuje účastníkovi dané ochorenie, pričom 1 znamená dokonalé určenie správnej diagnostiky.
Môže priniesť lepší prístup k terapiám
Pri porovnávaní toho, ako dobre nástroj umelej inteligencie klasifikoval ochorenia len pomocou B-bunkových receptorov, iba prostredníctvom T-bunkových receptorov alebo oboch, autori zistili, že najlepšie fungovala kombinácia údajov z oboch typov buniek. Diabetes 1. typu a lupus ľahšie rozpoznal v receptoroch T-buniek, zatiaľ čo ochorenie COVID-19, HIV a chrípku v receptoroch B-buniek.
Nástroj umelej inteligencie možno upraviť tak, aby vyšetroval len jeden alebo viacero stavov, ale jeho predpovede nie sú bezchybné a cesta ku klinickému využitiu je ešte dlhá.
Spoluautor štúdie Scott Boyd, imunológ z Lekárskej fakulty Stanfordovej univerzity v Kalifornii, hovorí, že bližšie preskúmanie prípadov, v ktorých sa umelá inteligencia dopustila chýb, môže tiež poukázať na jemné rozdiely medzi ľuďmi, ktorých konvenčné testy prehliadnu. To môže pomôcť odhaliť podkategórie niektorých v súčasnosti definovaných imunologických stavov, a tak zlepšiť terapeutický prístup k pacientom. V budúcnosti by chceli vedci otestovať, či tento nástroj dokáže tiež diagnostikovať rôzne štádiá ochorenia.
Zdroje: Nature, Stanford Medicine
(RR)
