ხელოვნური ინტელექტი სისხლის ერთი ნიმუშით რამდენიმე დაავადებას ადგენს

სამედიცინო დიაგნოსტიკისას ზოგჯერ რთული ვითარება იქმნება: სხვადასხვა დაავადებას მსგავსი სიმპტომები აქვს და სწორი დიაგნოზისთვის რამდენიმე ლაბორატორიული ტესტი შეიძლება გახდეს საჭირო. ეს დროსაც მოითხოვს და ხარჯსაც ზრდის. ბოლო წლებში განვითარებული ხელოვნური ინტელექტის (AI) ტექნოლოგიები ამ პრობლემის გადასაჭრელად ინოვაციურ მიდგომებს გვთავაზობს.

2025 წლის 21 თებერვალს Science -ში გამოქვეყნებულ კვლევაში შეიქმნა შთამბეჭდავი ხელოვნური ინტელექტის ინსტრუმენტი, რომელსაც სისხლის ერთი ნიმუშით რამდენიმე დაავადების დიაგნოსტიკა შეუძლია.

იმუნური სისტემის ფარული ენის გაშიფვრა

სტენფორდის უნივერსიტეტის მკვლევრებმა იმუნური უჯრედების რეცეპტორების მაკოდირებელი გენების ანალიზით შეიმუშავეს ალგორითმი, რომელიც ზუსტად ადგენს COVID-19-ს, HIV-ს, ტიპი 1 დიაბეტს, ლუპუსს და გრიპის ვაქცინაზე პასუხს.

ეს დაავადებები და მდგომარეობები იმუნური სისტემის სხვადასხვა მხარეს წარმოადგენს: ვირუსულ ინფექციებს, აუტოიმუნურ დაავადებებს, ვაქცინაციის შემდგომ პასუხებსა და ჯანმრთელ იმუნურ მდგომარეობას. მათი ერთმანეთისგან გარჩევა რთულია ან მსგავს იმუნურ რეაქციებს იწვევს. ისინი შეირჩა ხელოვნური ინტელექტის მოდელის უნარის სრულყოფილად შესამოწმებლად — რამდენად შეუძლია იმუნური პასუხების მცირე განსხვავებების ამოცნობა.

ალგორითმი, სახელად "Machine Learning for Immunological Diagnosis" (Mal-ID), დიაგნოზს B- და T-უჯრედების რეცეპტორებიდან მიღებული გენეტიკური მონაცემების ანალიზით ადგენს.

კვლევის ერთ-ერთი უფროსი ავტორი, პროფესორი Scott Boyd, მის მნიშვნელობას ასე უსვამს ხაზს: „იმუნური უჯრედების რეცეპტორების მიმდევრობები უნიკალურ დიაგნოსტიკურ ინფორმაციას გვაწვდის. აქამდე ამ მიმდევრობებს, ძირითადად, მხოლოდ B- ან T-უჯრედებიდან წარმოშობილი კიბოს დიაგნოსტიკისთვის იყენებდნენ“.

ზემოთ მოცემული ილუსტრაცია ეტაპობრივად აჯამებს, როგორ ადგენს ახალი ხელოვნური ინტელექტის ინსტრუმენტი დაავადებებს სისხლის ნიმუშების ანალიზით. დეტალური ახსნა:

ნაბიჯი 1: B- და T-უჯრედების რეცეპტორების მიმდევრობების მიღება

• მკვლევრებმა 593 მონაწილის სისხლის ნიმუშებში B-უჯრედებისა (BHR) და T-უჯრედების (THR) რეცეპტორების მიმდევრობები განსაზღვრეს.
• მონაწილეები ექვს განსხვავებულ იმუნურ მდგომარეობას წარმოადგენდნენ: COVID-19, HIV, ლუპუსი, ტიპი 1 დიაბეტი, გრიპის ვაქცინის შემდგომი იმუნური პასუხი და ჯანმრთელი პირები.

2. სამი ცალკეული AI მოდელის გაწვრთნა

• რეცეპტორების მიმდევრობები სამი განსხვავებული მეთოდით შეისწავლეს:

  1. რეპერტუარის შემადგენლობა: გაანალიზდა ადამიანთა იმუნურ სისტემაში B- და T-უჯრედების რეცეპტორების საერთო განაწილება.
  2. CDR3 მიმდევრობების კლასტერული ანალიზი: ანტიგენის ამოცნობის განმსაზღვრელი კრიტიკული უბნები (CDR3) კლასტერული მეთოდით შეისწავლეს.
  3. ენობრივი მოდელირება: რეცეპტორების მიმდევრობები ენობრივი მოდელებით გააანალიზეს და იმუნური სისტემის ენობრივი თავისებურებები გაშიფრეს.

• სამი სხვადასხვა მეთოდით მიღებული მონაცემებით გაწვრთნეს სამი BHR და სამი THR მოდელი.

გაერთიანებული მანქანური სწავლების მოდელის შექმნა

• გაწვრთნილი მოდელები გააერთიანეს და მანქანური სწავლების (ML) კომპლექსური მოდელი შექმნეს.

დაავადებების დიაგნოსტიკა და შედეგების ინტერპრეტაცია

• მანქანური სწავლების მოდელი შემდეგი ნაბიჯებით შეაფასეს:
  • ჯვარედინი ვალიდაცია (Cross-validation): შეფასდა მოდელის სიზუსტე.
  • ტესტირება დამოუკიდებელ მონაცემთა ნაკრებებზე: მოდელის შედეგიანობა გარე მონაცემთა ნაკრებებზე გადაამოწმეს.
  • ლიტერატურასთან შედარება: ყველაზე ინფორმაციული BHR და THR მიმდევრობები ლიტერატურულ მონაცემებს შეადარეს და მიგნებები გადაამოწმეს.

ამ მიდგომით შესაძლებელი გახდა დაავადებების მაღალი სიზუსტით დიაგნოსტიკა (AUROC ქულა 0,986) და იმუნური სისტემის სრული სურათის მიღება. მომავალში ამ მეთოდმა შესაძლოა ერთი ტესტით მრავალი დაავადების სწრაფი და ზუსტი დიაგნოსტიკა გახადოს შესაძლებელი.

კვლევის საყურადღებო მიგნებები

კვლევაში სულ 593 ადამიანისგან მიღებული 23,5 მილიონი T-უჯრედის და 16,2 მილიონი B-უჯრედის რეცეპტორის მიმდევრობა გაანალიზდა. მონაწილეთა შორის იყვნენ:

• COVID-19-ის მქონე 63 პაციენტი

• HIV-ის მქონე 95 პაციენტი

• ლუპუსის მქონე 86 პაციენტი

• ტიპი 1 დიაბეტის მქონე 92 პაციენტი

• 37 პირი, რომელმაც ცოტა ხნით ადრე გრიპის ვაქცინა მიიღო

• 220 ჯანმრთელი საკონტროლო პირი.

ალგორითმის შედეგები შთამბეჭდავი იყო. B- და T-უჯრედების მონაცემების ერთობლივი ანალიზით მან 85,3%-იან სიზუსტეს და 0,986 AUROC-ს (მიმღების ოპერაციული მახასიათებლის მრუდის ქვეშ ფართობს) მიაღწია. მხოლოდ B-უჯრედების მონაცემებით სიზუსტე 74,0% და AUROC 0,959 იყო; მხოლოდ T-უჯრედების მონაცემებით კი სიზუსტე 75,1% და AUROC 0,952.

შედეგებმა აჩვენა, რომ B- და T-უჯრედების მონაცემების ერთობლივი გამოყენება დიაგნოსტიკურ მგრძნობელობას ზრდის. მაგალითად, COVID-19-ის, HIV-ისა და გრიპის ვაქცინაციისთვის B-უჯრედების რეცეპტორები უფრო ინფორმაციული იყო, ხოლო ლუპუსისა და ტიპი 1 დიაბეტისას T-უჯრედების რეცეპტორებში უფრო მკაფიო ნიშნები ჩანდა.

ხელოვნური ინტელექტი და იმუნური სისტემა: დიალექტების აღმოჩენა

იმუნური სისტემის რეცეპტორები უნიკალურ ენობრივ დიალექტებს ჰგავს, რომლებიც თითოეული ადამიანის იმუნურ ისტორიას ინახავს. ხელოვნური ინტელექტის ენობრივი მოდელები (მაგალითად, ChatGPT-ის საფუძვლად არსებული დიდი ენობრივი მოდელები) განსაკუთრებით ეფექტიანია ამ უნიკალური დიალექტების გასაგებად.

კლინიკური გამოყენების შესაძლებლობა და მომავალი

ინოვაციური მიდგომა კლინიკური გამოყენებისთვის ჯერ მზად არ არის, თუმცა მკვლევრებს სჯერათ, რომ მეთოდმა შესაძლოა დიაგნოსტიკისთვის საჭირო დრო და ხარჯი მნიშვნელოვნად შეამციროს. იმუნური სისტემის რეცეპტორების მიმდევრობების ანალიზმა ასევე შეიძლება აუტოიმუნური დაავადებების პერსონალიზებული მკურნალობის შემუშავებას ჩაუყაროს საფუძველი.

კვლევის ერთ-ერთი ავტორი Maxim Zaslavsky აღნიშნავს, რომ იმუნური აქტივობის ანალიზით ხელოვნურ ინტელექტს დიდი პოტენციალი აქვს, აუტოიმუნური დაავადებების მსგავს რთულ მდგომარეობებში ყველაზე ეფექტიანი მკურნალობა განსაზღვროს.

ეს კვლევა მნიშვნელოვან ნაბიჯად ითვლება, რომელმაც იმუნური სისტემის დეტალური ანალიზის საფუძველზე დიაგნოსტიკასა და მკურნალობაში შეიძლება გარდატეხა მოახდინოს.