Cientistas não estão apenas trabalhando para encontrar uma cura para a doença de Parkinson, eles também estão ocupados encontrando melhores maneiras de detectá-la precocemente e sufocar seu desenvolvimento.
Agora, uma nova ferramenta que pode ser executada rapidamente em um laptop padrão aproveita a IA para detectar sinais subjacentes da doença anos antes de sintomas como tremores e movimentos lentos começarem a aparecer. Chama-se CRANK-MS: Análise de Classificação e Ranking usando Rede Neural Gera Conhecimento de Espectrometria de Massas.
Usando camadas treinadas de nós modelados no cérebro humano, a ferramenta procura compostos químicos específicos (metabólitos) no sangue, descobrindo os padrões que podem potencialmente prever a presença de doenças ou proteger contra elas.
“Para descobrir quais metabólitos são mais significativos para os grupos de doença versus controle, os pesquisadores geralmente analisam as correlações envolvendo moléculas específicas”, diz Diana Zhang, química da Universidade de New South Wales, na Austrália.
“Mas aqui levamos em consideração que os metabólitos podem ter associações com outros metabólitos – e é aí que entra o machine learning. Com centenas a milhares de metabólitos, usamos o poder computacional para entender o que está acontecendo”.
A equipe fez uso de amostras de plasma sanguíneo coletadas como parte do estudo Prospectivo Europeu Espanhol sobre Nutrição e Câncer. Concentrando-se em 39 pacientes que desenvolveram Parkinson dentro de 15 anos de sua participação no estudo, a equipe comparou misturas de metabólitos com 39 pacientes de controle que não desenvolveram. Foram identificados vários padrões considerados potencialmente significativos.
Esses metabólitos são produzidos quando o corpo decompõe alimentos, drogas ou produtos químicos. Por exemplo, a equipe notou que as pessoas que desenvolveram Parkinson tendiam a ter níveis mais baixos de triterpenóides no sangue, que lidam com o estresse do corpo em nível celular e são encontrados em alimentos como maçãs, azeitonas e tomates.
Os pesquisadores também notaram a presença de substâncias alquil polifluoradas (PFAS) em pessoas que mais tarde desenvolveram a doença de Parkinson. Isso pode estar ligado a maiores exposições a produtos químicos industriais, mas estudos maiores envolvendo um número muito maior de pacientes serão necessários para ter certeza.
Embora este estudo tenha sido relativamente pequeno, o CRANK-MS foi capaz de detectar o risco de doença de Parkinson com uma precisão de até 96%. Parte disso se deve à quantidade e abrangência dos dados inseridos no sistema desde o início, sem a necessidade de simplificação ou filtragem manual.
“Aqui alimentamos todas as informações no CRANK-MS sem nenhuma redução de dados logo no início”, diz o químico William Donald, da Universidade de New South Wales. “E a partir disso, podemos obter a previsão do modelo e identificar quais metabólitos estão impulsionando mais a previsão, tudo em uma única etapa.
“Isso significa que, se houver metabólitos que podem ter sido perdidos usando abordagens convencionais, agora podemos buscá-los”.
O CRANK-MS está sendo disponibilizado para acesso de outros cientistas. Isso significa que ainda mais doenças podem ser detectadas por meio de amostras de sangue.
Os pesquisadores agora querem ver seu sistema testado em coortes muito maiores em mais partes do mundo para ver se a análise de IA é válida para Parkinson – mas os primeiros resultados são promissores em termos de análise de metabólitos no sangue.
“Primeiro, a precisão é muito alta para prever a doença de Parkinson antes do diagnóstico clínico”, diz Donald. “Em segundo lugar, essa abordagem de machine learning nos permitiu identificar marcadores químicos que são os mais importantes para prever com precisão quem desenvolverá a doença de Parkinson no futuro”.
“Em terceiro lugar, alguns dos marcadores químicos que mais conduzem a previsões precisas foram previamente implicados por outros na doença de Parkinson em ensaios baseados em células, mas não em humanos”.
Publicado em 28/05/2023 16h28
Artigo original: