Une approche d’apprentissage automatique pour le diagnostic précoce de la maladie de Parkinson

Parmi toutes les maladies neurologiques, l’incidence de la maladie de Parkinson (MP) a considérablement augmenté. La MP est généralement diagnostiquée sur la base des symptômes du nerf moteur tels que les tremblements de repos, la rigidité et la bradykinésie. Cependant, la détection de symptômes non moteurs, comme la constipation, l’apathie, la perte de l’odorat et les troubles du sommeil, pourrait aider au diagnostic précoce de la MP pendant plusieurs années ou décennies.

Dans un récent ACS Sciences Centrales étude, Des scientifiques de l’Université de Nouvelle-Galles du Sud (UNSW) analysent un outil basé sur l’apprentissage automatique (ML) qui peut détecter la MP des années avant l’apparition des premiers symptômes.

Étude: L’apprentissage automatique interprétable sur les données métabolomiques révèle des biomarqueurs de la maladie de Parkinson. Crédit d’image : SomYuZu / Shutterstock.com

Arrière-plan

Actuellement, la précision diagnostique globale de la MP basée sur les symptômes moteurs est de 80 %. Cette précision pourrait être accrue si la MP était diagnostiquée sur la base de biomarqueurs au lieu de s’appuyer principalement sur des symptômes physiques.

Plusieurs maladies sont détectées sur la base de biomarqueurs associés aux processus métaboliques. Les biométabolites des échantillons de plasma sanguin ou de sérum sont évalués à l’aide d’outils analytiques tels que la spectrométrie de masse (MS).

Les méthodes de diagnostic non invasives utilisant le sébum de la peau et de l’haleine ont récemment gagné en popularité. Des études antérieures ont montré que la SEP peut projeter des profils de métabolites différentiels entre les candidats pré-PD et les individus en bonne santé.

Cette différence dans les profils de métabolites a été observée jusqu’à 15 ans avant le diagnostic clinique de MP. Par conséquent, les biomarqueurs de métabolites pourraient être utilisés pour détecter la maladie de Parkinson beaucoup plus tôt que les approches récemment utilisées.

Les approches ML sont largement utilisées pour développer des modèles de prédiction précis pour le diagnostic des maladies à l’aide de grandes données métabolomiques. Cependant, le développement de modèles de prédiction basés sur des ensembles de données métabolomiques complets est associé à de nombreux inconvénients, notamment un surentraînement qui pourrait réduire les performances diagnostiques. La plupart des modèles sont développés à l’aide d’un plus petit sous-ensemble de caractéristiques, qui sont prédéterminées par des méthodes statistiques traditionnelles.

Certaines approches ML, telles qu’une machine à vecteurs de support linéaire (SVM) et une analyse discriminante des moindres carrés partiels (PLSDA) peuvent ne pas prendre en compte les caractéristiques clés des ensembles de données métabolomiques. Cependant, cette limitation a été résolue par des méthodes ML avancées telles que les réseaux de neurones (NN), qui ont été spécialement conçus pour traiter les mégadonnées.

NN est utilisé pour développer des modèles qui ont un effet non linéaire. Un inconvénient majeur des modèles prédictifs basés sur NN est le manque d’informations mécaniques et de modèles ininterprétables.

Les explications additives de Shapley (SHAP) ont récemment été développées pour interpréter les modèles ML. Cependant, cette technique n’a pas encore été utilisée pour analyser des ensembles de données métabolomiques.

À propos de l’étude

Dans l’étude actuelle, les chercheurs ont évalué des échantillons de sang obtenus à partir de l’étude prospective espagnole européenne sur la nutrition et le cancer (EPIC) à l’aide de différents outils analytiques tels que la chromatographie en phase gazeuse-MS (GC-MS), l’électrophorèse capillaire-MS (CE-MS) et liquide. chromatographie-MS (LC-MS).

L’étude EPIC a fourni des données métabolomiques à partir d’échantillons de plasma sanguin obtenus de candidats sains, ainsi que de ceux qui ont développé plus tard la MP jusqu’à 15 ans après le prélèvement initial de leur échantillon.

Diane Zhang, chercheuse à l’UNSW, a développé un outil d’apprentissage automatique appelé Analyse de classification et de classement à l’aide de réseaux de neurones générant des connaissances à partir de la SEP (CRANK-MS). Cet outil a été créé pour interpréter le cadre basé sur NN pour analyser l’ensemble de données métabolomiques généré par les outils analytiques.

CRANK-MS est composé de plusieurs fonctionnalités, y compris des paramètres de modèle intégrés qui offrent des ensembles de données métabolomiques de haute dimension à analyser sans avoir besoin de présélectionner des caractéristiques chimiques.

CRANK-MS inclut également SHAP pour explorer et identifier rétrospectivement les caractéristiques chimiques clés qui aident à la prédiction précise du modèle. De plus, SHAP permet des tests de référence avec cinq méthodes d’apprentissage automatique bien connues pour comparer les performances de diagnostic et valider les caractéristiques chimiques.

Les données métabolomiques obtenues auprès de 39 patients qui ont développé la MP jusqu’à 15 ans plus tard ont été étudiées via le nouvel outil basé sur ML. Le profil métabolite de 39 patients pré-PD a été comparé à 39 patients témoins appariés, fournissant une combinaison unique de métabolites qui pourrait être utilisée comme signal d’alerte précoce pour l’incidence de la MP. Notamment, cette approche ML a montré une plus grande précision dans la prédiction de la MP avant le diagnostic clinique.

Cinq métabolites ont obtenu des scores élevés de manière constante dans les six modèles de ML, indiquant leur utilité potentielle pour prédire le développement futur de la maladie de Parkinson. Les classes de ces métabolites comprenaient les substances alkylées polyfluorées (PFAS), les triterpénoïdes, le diacylglycérol, les stéroïdes et le cholestane stéroïde.

Les isomères du métabolite diacylglycérol 1,2-diacylglycérol (34:2) détectés sont certaines huiles végétales telles que l’huile d’olive, qui sont fréquemment consommées dans le régime méditerranéen. Le PFAS est une neurotoxine environnementale qui peut altérer le traitement, la signalisation et la fonction des cellules neuronales. Par conséquent, des facteurs alimentaires et environnementaux peuvent contribuer au développement de la MP.

conclusion

CRANK-MS est accessible au public pour tous les chercheurs intéressés par le diagnostic des maladies à l’aide de l’approche ML basée sur des données métabolomiques.

L’application CRANK-MS pour détecter la maladie de Parkinson n’est qu’un exemple de la façon dont l’IA peut améliorer la façon dont nous diagnostiquons et surveillons la maladie. Ce qui est passionnant, c’est que CRANK-MS peut facilement être appliqué à d’autres maladies pour identifier de nouveaux biomarqueurs d’intérêt. De plus, il précise que cet outil est simple d’utilisation et peut générer des résultats « en moins de 10 minutes sur un ordinateur portable classique ».