Группа учёных из «Сколтеха», Университета Шарджи и Казахского национального университета имени аль‑Фараби использовала ML (машинное обучение) для обнаружения биологических маркеров клинической депрессии, с помощью которых можно добиться более объективной диагностики заболевания. Результаты исследования опубликованы в журнале Neurobiology of Stress, рассказали Хабру в пресс-службе «Сколтеха».
Клиническая депрессия (большое депрессивное расстройство) на текущий момент представляет собой вторую наиболее частую причину потери трудоспособности после онкологических заболеваний. Учёные ожидают, что к 2030 году она выйдет на первое место. По данным ВОЗ, от клинической депрессии страдают 280 млн человек по всему миру. Несмотря на это, диагностировать заболевание всё ещё довольно сложно.
Диагностика психических расстройств в основном осуществляется с помощью беседы пациента с врачом, заполнения опросных листов и оценивания результатов с помощью шкал, указал соавтор работы, старший преподаватель и руководитель исследовательской группы Центра прикладного ИИ в «Сколтехе» Максим Шараев. Разные врачи могут по‑разному интерпретировать результаты, в результате чего возникает фактор субъективности. Сейчас нет надёжных биомаркеров, то есть объективных показателей предрасположенности к психическому заболеванию или его развития. Учёные поставили целью найти эти биомаркеры, которые могли бы стать надежными свидетельствами наличия заболевания при относительно малых затратах на обследование.
В рамках совместного с Университетом Шарджи проекта учёные использовали комплексные мультимодальные данные, которые характеризуют пациента с разных сторон: МРТ-исследования, электроэнцефалографию, анализ крови, генотипирование и транскриптомный анализ.
«Вероятно, эра простых биомаркеров заканчивается. Теперь нет какого-то одного критерия, который покажет, есть у человека заболевание или нет. Нужны комбинации этих маркеров, и их помогают находить методы машинного обучения. Мы получили комплексные данные и сделали такие модели машинного обучения, которые на основе этих данных смогут создать интегративные биомаркеры. Но перед тем, как объединить разные типы данных, мы исследовали каждый тип в отдельности, чтобы найти какие-то предпосылки для анализа, на что обращать внимание», — объясняет Шараев.
Опубликованная работа посвящена одному транскриптомному типу данных, то есть анализу экспрессии генов в клетках, которые могут предсказать клиническую депрессию. Часть биомаркеров обнаружили с помощью ML и открытых баз данных, сравнивая показатели для пациентов разных национальностей. Данные транскриптомного анализа 170 пациентов с клинической депрессией и 121 здорового пациента параллельно изучали двумя разными методами: биоинформатики и ML.
Учёные получили наиболее значимые гены, сравнив результаты двух исследований. Такой подход позволил повысить их объективность, так как методы, используемые параллельно, основаны на разных моделях. После валидации результатов на независимой выборке их подтвердили и с помощью лабораторных исследований — анализа слюны 12 пациентов с клинической депрессией и 8 здоровых пациентов. С помощью атласа мозга Аллена также показали, что эти гены экспрессируются в различных участках мозга человека.
«В дальнейшем можно расширять и уточнять набор этих генов для скрининга и быстрой диагностики. Всё это можно проводить по слюне. Не надо брать кровь или проводить сложные исследования. Для предварительного анализа этого достаточно, чтобы сделать какие-то выводы», — объясняет Шараев.
«Наше исследование показывает, как важно использовать искусственный интеллект в сочетании с методами биоинформатики для лучшего понимания молекулярных механизмов таких сложных болезней, как большое депрессивное расстройство. Открытие неинвазивных биомаркеров очень ценно как для пациентов, так и для клинических психиатров», — подытоживает первый автор исследования, профессор, директор Научно-инновационного центра точной медицины в Университете Шарджи Рифат Хамуди.
Исследование проведено в рамках совместного с Университетом Шарджи проекта Interpretable Artificial Intelligence and Deep Learning models based on integrative Neuroimaging and Genetics data for predicting abnormal emotional development.
