Süni intellekt bir qan nümunəsindən bir neçə xəstəliyi müəyyən edir

Tibbi diaqnostika zamanı bəzən mürəkkəb hallar yarana bilər; müxtəlif xəstəliklər oxşar əlamətlər verdikdə düzgün diaqnoz üçün bir neçə laboratoriya analizi lazım ola bilər. Bu, həm vaxt aparan, həm də baha başa gələn proses ola bilər. Son illərdə inkişaf edən süni intellekt (Sİ) texnologiyaları bu problemi həll edə biləcək yenilikçi yanaşmalar təqdim edir.

21 fevral 2025 tarixində Science jurnalında dərc olunan tədqiqat bir qan nümunəsindən bir neçə xəstəliyi müəyyən edə bilən diqqətçəkən süni intellekt aləti hazırlayıb.

İmmun sisteminin gizli dilini açmaq

Stanford Universitetinin tədqiqatçıları immun hüceyrələrinin reseptorlarını kodlayan genləri təhlil edərək COVID-19, HIV, tip 1 diabet, lupus kimi xəstəlikləri və qrip peyvəndinə cavabları dəqiq müəyyən edə bilən alqoritm hazırlayıblar.

Bu xəstəlik və hallar immun sisteminin müxtəlif tərəflərini (virus infeksiyaları, autoimmun xəstəliklər, peyvənddən sonrakı cavablar və sağlam immun vəziyyəti) təmsil edən, bir-birindən ayrılması çətin olan və ya oxşar immun reaksiyalar yaradan nümunələrdir. Bu seçim süni intellekt modelinin immun cavablardakı incə fərqləri ayırd etmək qabiliyyətini hərtərəfli sınamaq üçün edilib.

“Machine Learning for Immunological Diagnosis” (Mal-ID) adlanan bu alqoritm B-hüceyrə və T-hüceyrə reseptorlarından alınan genetik məlumatları təhlil edərək diaqnoz qoyur.

Tədqiqatın baş müəlliflərindən Prof. Dr. Scott Boyd “İmmun hüceyrələrinin reseptor ardıcıllıqları özünəməxsus diaqnostik məlumatlar verir. İndiyə qədər bu ardıcıllıqlar adətən yalnız B və ya T-hüceyrələrindən yaranan xərçənglərin diaqnostikasında istifadə olunurdu” deyərək tədqiqatın əhəmiyyətini vurğulayır.

Yuxarıdakı şəkil yeni süni intellekt alətinin qan nümunələrini təhlil edərək xəstəlikləri necə müəyyən etdiyini addım-addım ümumiləşdirir. Ətraflı izah belədir:

1. Addım: B və T-hüceyrə reseptor ardıcıllıqlarının əldə olunması

• Tədqiqatçılar 593 iştirakçıdan götürülən qan nümunələrindən B-hüceyrə (BHR) və T-hüceyrə (THR) reseptor ardıcıllıqlarını müəyyən ediblər.
• İştirakçılar altı fərqli immun vəziyyəti təmsil edir: COVID-19, HIV, lupus, tip 1 diabet, qrip peyvəndindən sonrakı immun cavab və sağlam şəxslər.

2. Üç ayrı Sİ modelinin öyrədilməsi

• Reseptor ardıcıllıqları üç fərqli üsulla araşdırılıb:

  1. Repertuarın tərkibi: Şəxslərin immun sistemində B və T-hüceyrə reseptorlarının ümumi paylanması təhlil edilib.
  2. CDR3 ardıcıllıqlarının klaster analizi: Antigenin tanınma xüsusiyyətlərini müəyyən edən əsas bölgələr (CDR3) klasterləşdirmə üsulu ilə araşdırılıb.
  3. Dil modelləşdirilməsi: Reseptor ardıcıllıqları dil modelləri ilə təhlil edilərək immun sisteminin dil xüsusiyyətləri açıqlanıb.

• Üç fərqli üsuldan əldə olunan məlumatlarla üç BHR və üç THR modeli öyrədilib.

Birləşdirilmiş maşın öyrənməsi modelinin yaradılması

• Öyrədilmiş modellər birləşdirilərək hərtərəfli maşın öyrənməsi modeli (ML) yaradılıb.

Xəstəliklərin diaqnostikası və nəticələrin şərhi

• Maşın öyrənməsi modeli aşağıdakı addımlarla qiymətləndirilib:
  • Çarpaz doğrulama (Cross-validation): Modelin dəqiqliyi qiymətləndirilib.
  • Müstəqil məlumat dəstləri ilə sınaqlar: Modelin fəaliyyəti xarici məlumat dəstlərində yoxlanılıb.
  • Elmi ədəbiyyatla müqayisələr: Ən əhəmiyyətli BHR və THR ardıcıllıqları elmi ədəbiyyatla müqayisə edilərək tapıntılar yoxlanılıb.

Bu yanaşma sayəsində xəstəlikləri yüksək dəqiqliklə (0,986 AUROC balı) müəyyən etmək mümkün olub və immun sisteminin hərtərəfli mənzərəsi ortaya çıxıb. Gələcəkdə bu üsul bir çox xəstəliyin tək testlə dəqiq və sürətli diaqnostikasına imkan verə bilər.

Tədqiqatın diqqətçəkən tapıntıları

Tədqiqatda ümumilikdə 593 nəfərdən alınan 23,5 milyon T-hüceyrə və 16,2 milyon B-hüceyrə reseptor ardıcıllığı təhlil edilib. İştirakçılar arasında:

• 63 COVID-19 xəstəsi

• 95 HIV xəstəsi

• 86 lupus xəstəsi

• 92 tip 1 diabet xəstəsi

• yaxın vaxtlarda qrip peyvəndi almış 37 nəfər

• 220 sağlam nəzarət iştirakçısı var idi.

Alqoritmin uğuru diqqətçəkən idi. Həm B-hüceyrə, həm də T-hüceyrə məlumatlarından istifadə olunan təhlillərdə alqoritm 85,3% dəqiqlik və 0,986 AUROC (qəbuledicinin əməliyyat xarakteristikası əyrisinin altındakı sahə) göstəricisinə çatıb. Yalnız B-hüceyrə məlumatlarında dəqiqlik 74,0% və AUROC 0,959; yalnız T-hüceyrə məlumatlarında isə dəqiqlik 75,1% və AUROC 0,952 olub.

Bu nəticələr B və T-hüceyrə məlumatlarının birlikdə istifadəsinin diaqnostik həssaslığı artırdığını göstərib. Məsələn, COVID-19, HIV və qrip peyvəndi üçün B-hüceyrə reseptorları daha çox məlumat verdiyi halda lupus və tip 1 diabetdə T-hüceyrə reseptorlarının siqnalları daha aydın idi.

Süni intellekt və immun sistemi: dialektlərin kəşfi

İmmun sisteminin reseptorları hər insanın immun keçmişini qeydə alan özünəməxsus dil dialektləri kimidir. Süni intellektin dil modelləri (məsələn, ChatGPT-ni dəstəkləyən böyük dil modelləri) bu özünəməxsus dialektləri anlamaqda xüsusilə təsirlidir.

Klinik tətbiq potensialı və gələcəyi

Bu yenilikçi yanaşma hələ klinik istifadəyə hazır olmasa da tədqiqatçılar üsulun diaqnostika üçün lazım olan vaxtı və xərcləri xeyli azalda biləcəyinə inanırlar. Bundan əlavə, immun reseptor ardıcıllıqlarının təhlili autoimmun xəstəliklər üçün fərdiləşdirilmiş müalicə yanaşmalarının hazırlanmasına da zəmin yarada bilər.

Tədqiqatın müəlliflərindən Maxim Zaslavsky immun sistemindəki fəaliyyəti təhlil etməklə autoimmun xəstəliklər kimi mürəkkəb hallarda ən təsirli müalicələri müəyyən etmək üçün süni intellektin böyük potensial verdiyini bildirir.

Bu tədqiqat immun sisteminin ətraflı təhlilindən istifadə edərək diaqnostika və müalicə üsullarında yeni imkanlar yarada biləcək mühüm addım sayılır.