Iranian News Agency

>

میلیون‌ها نفر در سراسر جهان به این بیماری مبتلا هستند؛ اما درمان‌ها غالباً بر اساس علائم انتخاب می‌شوند و ممکن است مؤثر نباشند، زیرا زیست‌شناسیِ زمینه‌ای بیمار را هدف قرار نمی‌دهند.

اکنون دانشمندان با استفاده از هوش مصنوعی، یک آزمایش خون ساده و اسکن‌های MRI، دو نوع زیستی جدید از ام‌اس را شناسایی کرده‌اند. کارشناسان گفتند این کشف «هیجان‌انگیز» می‌تواند درمان بیماری را در سراسر جهان متحول کند.

در پژوهشی به رهبری University College London (UCL) و Queen Square Analytics با مشارکت ۶۰۰ بیمار، پژوهشگران سطح خونیِ پروتئینی ویژه به نام زنجیره سبک نوروفیلامانِ سرم (sNfL) را بررسی کردند. این پروتئین می‌تواند به نشان دادن میزان آسیب سلول‌های عصبی و میزان فعال بودن بیماری کمک کند.

نتایج sNfL و اسکن‌های مغزی بیماران توسط مدل یادگیری ماشین به نام SuStaIn تفسیر شد. نتایج منتشرشده در مجله پزشکی Brain دو نوع متفاوت از ام‌اس را آشکار کرد: sNfL زودرس و sNfL دیررس.

در زیرنوع نخست، بیماران در مراحل اولیه بیماری سطوح بالای sNfL داشتند و در ناحیه‌ای از مغز به نام جسم پینه‌ای (corpus callosum) آسیب قابل مشاهده ایجاد شد. همچنین ضایعات مغزی به سرعت شکل گرفتند. دانشمندان گفتند این نوع تهاجمی‌تر و فعال‌تر به نظر می‌رسد.

در زیرنوع دوم، بیماران پیش از افزایش سطح sNfL، در نواحی‌ای مانند قشر لیمبیک و ماده خاکستری عمقی کاهش حجم مغز نشان دادند. این نوع آهسته‌تر پیشرفت می‌کند و به نظر می‌رسد آسیب آشکار دیرتر ظاهر می‌شود.

پژوهشگران می‌گویند این پیشرفت به پزشکان کمک می‌کند دقیق‌تر درک کنند کدام بیماران در معرض خطر بالاتری از عوارض گوناگون هستند و راه را برای مراقبت شخصی‌سازی‌شده‌تر هموار می‌سازد.

نویسنده اصلی مطالعه، دکتر آرمان اشاقی از UCL گفت: «ام‌اس یک بیماری واحد نیست و زیرنوع‌های موجود برای توصیف تغییرات بافتیِ زمینه‌ای که برای درمان باید بدانیم، کافی نیستند.

«با استفاده از MRI و یک مدل هوش مصنوعی که با یک نشانگر خونیِ بسیار در دسترس ترکیب شده است، برای نخستین بار توانستیم دو الگوی زیستی روشن از ام‌اس را نشان دهیم. این به پزشکان کمک می‌کند بفهمند فرد در مسیر بیماری در کجا قرار دارد و چه کسی نیاز به پایش نزدیک‌تر یا درمان هدفمندِ زودهنگام‌تری دارد.»

اشاقی افزود که در آینده، وقتی ابزار هوش مصنوعی نشان دهد بیمار به ام‌اسِ نوع sNfL زودرس مبتلاست، ممکن است برای درمان‌های اثربخش‌تر واجد شرایط شود و با دقت بیشتری تحت نظر قرار گیرد.

در مقابل، برای افراد دارای sNfL دیررس می‌توان انواع دیگری از درمان‌ها را پیشنهاد کرد، مانند درمان‌های شخصی‌سازی‌شده برای حفاظت از سلول‌های مغزی یا نورون‌ها. او گفت: «بنابراین نوآوری‌ها دو سویه خواهند بود: دگرگون کردن معاینات بالینی و عصبی که قرن‌ها تقریباً بدون تغییر مانده‌اند با کمک الگوریتم‌های هوش مصنوعی، و ارائه درمان‌های شخصی‌سازی‌شده بر اساس پروفایل بیماری.»

کیتلین استبوری، مدیر ارشد ارتباطات پژوهشی در انجمن ام‌اس، گفت: «این یک تحول هیجان‌انگیز در فهم ما از ام‌اس است.

این مطالعه از یادگیری ماشین برای بررسی داده‌های MRI و نشانگرهای زیستیِ افراد مبتلا به ام‌اس عودکننده و ام‌اس ثانویه پیشرونده استفاده کرد. با ترکیب این داده‌ها، آنها توانستند دو زیرنوع زیستی جدید از ام‌اس را شناسایی کنند.

در سال‌های اخیر، درک بهتری از زیست‌شناسی بیماری به دست آورده‌ایم. اما در حال حاضر، تعریف‌ها بر اساس علائم بالینی‌ای است که فرد تجربه می‌کند. ام‌اس پیچیده است و این دسته‌بندی‌ها غالباً آنچه را در بدن رخ می‌دهد به‌طور دقیق بازتاب نمی‌دهند، که می‌تواند درمان مؤثر را دشوارتر کند.»

استبوری گفت برای افراد مبتلا به ام‌اس عودکننده حدود ۲۰ گزینه درمانی وجود دارد و برای ام‌اس پیشرونده نیز برخی گزینه‌ها در حال ظهور است، اما برای بسیاری از افراد هیچ گزینه‌ای وجود ندارد. «هرچه بیشتر درباره بیماری بیاموزیم، احتمال یافتن درمان‌هایی که بتوانند پیشرفت آن را متوقف کنند بیشتر می‌شود.»

«این پژوهش به شواهد رو به افزایش در حمایت از فاصله گرفتن از تعریف‌های فعلی ام‌اس (مثل ‘عودکننده’ و ‘پیشرونده’) و حرکت به سمت اصطلاحاتی که زیست‌شناسی زمینه‌ای بیماری را منعکس می‌کنند، می‌افزاید. این می‌تواند به شناسایی افراد با خطر بالای پیشرفت و ارائه درمان شخصی‌سازی‌شده‌تر به آنها کمک کند.»