Umělá inteligence odhalila pět podtypů Parkinsonovy choroby, otevírá cestu k léčbě na míru

Nová studie vedená výzkumníky z VIB a KU Leuven přináší zásadní poznatky o Parkinsonově chorobě. S využitím strojového učení se jim podařilo rozdělit toto komplexní onemocnění na odlišné podtypy, což pomáhá vysvětlit, proč jedna léčba nefunguje u všech pacientů.

Nová studie vedená výzkumníky z VIB a KU Leuven přináší zásadní poznatky o Parkinsonově chorobě. S využitím strojového učení se jim podařilo rozdělit toto komplexní onemocnění na odlišné podtypy, což pomáhá vysvětlit, proč jedna léčba nefunguje u všech pacientů. Tým identifikoval dvě hlavní skupiny a pět podskupin parkinsonismu, což představuje důležitý krok k personalizovanějším terapiím. Zjištění byla publikována v prestižním časopise Nature Communications.

Parkinsonova choroba postihuje miliony lidí po celém světě a je tradičně definována svými klinickými příznaky, jako jsou potíže s pohybem a progresivní neurologický úpadek. Navzdory tomu, že je řazena jako jedna porucha, může být způsobena mutacemi v mnoha různých genech, což vede k rozmanitým biologickým mechanismům. Tato složitost dosud ztěžovala vývoj účinných léčebných postupů, neboť terapie zaměřené na jednu cestu nemusí být účinné u všech pacientů. Profesor Patrik Verstreken z VIB-KU Leuven Center for Neuroscience zdůrazňuje, že zatímco klinické příznaky sjednocují pacienty, na molekulární úrovni existují podkategorie, pro které neexistuje jediný univerzální lék.

Místo toho, aby vycházeli z předpokladů o tom, jak různé genetické mutace mohou ovlivnit onemocnění, vědci monitorovali chování modelů octomilek nesoucích mutace v genech souvisejících s Parkinsonovou chorobou. K identifikaci vzorců v průběhu času použili nezaujaté výpočetní metody a metody založené na strojovém učení. Tato strategie, která nechala data vést analýzu, odhalila dříve skrytou strukturu v Parkinsonově chorobě, ukazující, že různé genetické formy se přirozeně shlukují do odlišných podtypů. Doktorka Natalie Kaempf, první autorka studie, dodává, že přistupovali k výzkumu bez předpojatých představ o tom, jak konkrétní mutace ovlivní jejich zvířecí model.

Tento nezaujatý přístup poskytuje silný rámec pro pochopení biologické rozmanitosti onemocnění a pro nasměrování budoucího výzkumu k přesnějším a cílenějším intervencím. Zároveň je vynikajícím příkladem toho, jak strojové učení může odhalit rysy biologie onemocnění, které by jinak zůstaly nezjistitelné, a odkrýt skrytou strukturu a klinicky významné variace, které nejsou patrné tradičními přístupy.