دانشمند ایرانی با هوش مصنوعی دو نوع جدید‌ ام‌اس را شناسایی کرد

به گزارش شهرآرانیوز، بیماری‌ ام‌اس میلیون‌ها نفر را در سراسر جهان درگیر کرده است، اما درمان‌های فعلی عمدتاً براساس علائم ظاهری تجویز می‌شوند و نه بیولوژی پنهان بیماری؛ موضوعی که باعث می‌شود برخی بیماران درمان‌های غیرمؤثر دریافت کنند.

اکنون پژوهشگران دانشگاه کالج لندن به سرپرستی محقق ایرانی، دکتر «آرمان اسحاقی»، با استفاده از یک مدل یادگیری ماشینی به نام SuStaIn داده‌های مربوط به ۶۰۰ بیمار مبتلا به‌ام‌اس را بررسی کردند. آنها تمرکز خود را بر ترکیب اطلاعات حاصل از اسکن‌های MRI و سطح پروتئینی در خون به نام sNfL گذاشتند. این پروتئین زمانی که سلول‌های عصبی آسیب می‌بینند آزاد می‌شود و نشان‌دهنده میزان فعالیت و شدت بیماری MS است. ترکیب این داده‌ها الگو‌های پنهانی را آشکار کرد که پیش‌تر پزشکان قادر به دیدن آن نبودند.

محققان دو دسته‌بندی برای MS کشف کردند که تفاوت اصلی در زمان‌بندی تخریب عصبی و ترشح پروتئین در خون است. در گروه اول که «sNfL زودرس» نامیده می‌شوند، سطح پروتئین تخریب‌کننده در همان ابتدای بیماری بالا می‌رود و آسیب‌ها به جسم پینه‌ای (بخش متصل‌کننده دو نیمکره مغز) وارد می‌شود. این گروه معمولاً با سرعت بیشتری دچار ضایعات مغزی می‌شوند و فرم بیماری آنها تهاجمی‌تر است.

در مقابل، گروه دوم یا «sNfL دیررس» الگوی متفاوتی دارند. در این افراد ابتدا نواحی خاصی از مغز مانند قشر لیمبیک و ماده خاکستری کوچک می‌شوند و سطح پروتئین sNfL در مراحل بعدی افزایش می‌یابد. پیشرفت بیماری در این گروه آهسته‌تر است و آسیب‌های عصبی قابل‌مشاهده دیرتر خود را نشان می‌دهند. شناسایی این الگو‌های بیولوژیکی به پزشکان امکان می‌دهد تا آینده بیماری را پیش‌بینی و داروی مناسب را انتخاب کنند.

دکتر آرمان اسحاقی می‌گوید که‌ام‌اس یک بیماری واحد نیست و دسته‌بندی‌های فعلی برای توضیح تغییرات بافتی ناکافی هستند. با این روش جدید، بیمارانی که در دسته تهاجمی (زودرس) قرار دارند، می‌توانند بلافاصله درمان‌های با اثربخشی بالا دریافت کنند و تحت نظارت دقیق‌تر قرار بگیرند. از سوی دیگر، بیماران گروه دیررس ممکن است از درمان‌های متفاوتی بهره ببرند که بر محافظت از سلول‌های مغزی و آهسته‌کردن روند تخریب تمرکز دارد.

منبع: دیجیاتو

در ادامه حتما بخوانید ۱۰ تغییر مهم هوش مصنوعی که در سال ۲۰۲۶ رقم می‌خورد