Система искусственного интеллекта для дифференциации нейродегенеративных заболеваний

Дебора Борфиц

12 мая 2026 г. | Группа специалистов по вычислительной технике из Лундского университета (Швеция) разработала глубокую протеомную модель на основе совместного обучения для повышения точности диагностики ряда заболеваний, связанных с деменцией, что в условиях первичной медицинской помощи остается сложной задачей из-за нехватки информативных биомаркеров. По словам научного сотрудника и создателя модели Лицзюнь Аня, прогнозирование этих различных, но взаимосвязанных патологий с помощью одного анализа крови позволит быстро и уверенно проводить дифференциальную диагностику.

Примечание редактора: Эта статья первоначально была опубликована на сайте Diagnostics World. Оригинал статьи можно найти здесь.

По словам эксперта, сегодня у людей с шестью взаимосвязанными и часто сосуществующими заболеваниями — болезнью Альцгеймера, болезнью Паркинсона, БАС, лобно-височной деменцией, перенесенным инсультом и здоровым старением — примерно 50-процентная вероятность неправильного или недостаточного диагноза со стороны врача общей практики. Это во многом объясняется общими биологическими профилями и симптомами, а также значительным разнообразием групп пациентов и различиями в методах оценки функциональных возможностей в разных клиниках.

Новая модель, получившая название «искусственный интеллект на основе протеомики для диагностики деменции» (ProtAIDe-Dx), является первым шагом к более точному диагностическому подходу с использованием самых больших на сегодняшний день образцов нейропротеомики, что позволит проводить более раннее вмешательство и индивидуально подобранное лечение нейродегенеративных заболеваний, которые быстро распространяются по всему миру. Ее потенциал был предметом исследования, недавно опубликованного в журнале Nature Medicine (DOI: 10.1038/s41591-026-04303-y ).

В рамках моделирования использовался крупнейший в мире набор данных по протеомике плазмы крови пациентов с нейродегенеративными заболеваниями, собранный Глобальным консорциумом по протеомике нейродегенеративных заболеваний (GNPC). Для исследования была отобрана подгруппа из более чем 17 000 пациентов клиник памяти, на основе доступности протеомных данных SomaLogic 7k, полученных в 19 участвующих центрах.

Платформа SomaLogic идентифицирует и измеряет тысячи белков, «функциональных эффекторов» в организмах живых людей, отмечает Якоб Фогель, доктор философии, научный руководитель Ана и доцент, возглавляющий исследовательскую группу в рамках поддерживаемой правительством трансляционной программы MultiPark в Лундском университете. Применение самых сложных моделей ИИ к большой когорте протеомных данных показало, что ProtAIDe-Dx может значительно улучшить дифференциальную диагностику на основе биомаркеров, идентифицируя белки, определяющие решения на уровне пациента.

Обучение на основе задач

В этой области не обошлось без прогресса. За последние несколько лет исследователи обнаружили биомаркеры болезни Альцгеймера в крови (например, p-tau217 и соотношение амилоида), которые, как ожидается, вскоре повысят точность диагностики этой наиболее распространенной причины деменции, говорит Ан.

В случае с другими нейродегенеративными заболеваниями ситуация иная: окончательный диагноз часто устанавливается только при вскрытии. Пациентам, еще живым, диагноз обычно ставят на основании анамнеза, кратких когнитивных тестов и различных лабораторных исследований для исключения обратимых причин.

По словам Ан, надежда заключается в простом анализе крови, который позволит выявить молекулярные закономерности. Отправной точкой для решения проблем ошибочной диагностики, усугубляемых возрастными сопутствующими заболеваниями, является разработка биомаркеров на основе крови для высокоспецифичного выявления лежащей в основе нейродегенеративной патологии.

Образцы крови из различных групп населения США и Европы были проанализированы с помощью протеомного анализа SomaLogic, выполненного на высокопроизводительных платформах секвенирования ДНК Illumina. Из первоначального набора из 7595 белков несколько сотен наиболее значимых были отобраны для многозадачного подхода к совместному обучению, что позволило модели ProtAIDe-Dx сигнализировать о сопутствующей патологии заболевания.

ProtAIDe-Dx превзошла множество моделей машинного обучения и современных моделей глубокого обучения по точности прогнозирования. При обобщении на несколько независимых наборов данных она также обеспечила более точную дифференциальную диагностику по сравнению с доступными в настоящее время клиническими биомаркерами, сообщает Ан.

Архитектура глубокого обучения, по сути, одновременно обучалась решению одной задачи (например, это болезнь Альцгеймера?), чтобы помочь в решении другой (например, это болезнь Паркинсона?), объясняет Фогель. «Обучение им обоим дает вам общее преимущество в каждой отдельной задаче, потому что глубоко в данных содержится информация, которая имеет отношение ко всем [шести] задачам».

После нескольких тысяч итераций модель внутренне определяет «вес», присвоенный информативным белкам, объясняет Ан. Технологии оценки важности признаков также использовались для ранжирования, фильтрации и выявления наиболее прогностических переменных при одновременном снижении уровня шума.

По словам Фогеля, модель прогнозирования множественных диагнозов была протестирована на десятке различных наборов данных, что позволило получить приблизительную оценку ее работы в реальных клинических условиях. В конечном итоге, понимание того, как модель ведет себя «в реальных условиях», важнее, чем поиск лучших моделей на основе вычислительных методов.

Диагностические этикетки

Фогель отмечает, что тот факт, что протеомные профили оказались более эффективными в прогнозировании когнитивных нарушений, чем клинический диагноз, вызвал лишь некоторое удивление. Набор данных GNPC «отражает реальную жизнь… [где] каждый ставит диагноз немного по-разному». Врачи не только могут приходить к разным выводам, но и уровень уверенности в этих диагнозах зависит от доступности высокотехнологичных методов, таких как ПЭТ и МРТ, а также анализ спинномозговой жидкости.

«В совокупности по всем этим различным наборам данных мы не знаем, насколько точны диагностические обозначения», — говорит он. «Очень, очень сложно диагностировать нейродегенеративное заболевание без биомаркеров, и у нас нет точных биомаркеров для большинства из них».

Еще одним интересным результатом исследования стало то, что у людей с одинаковым клиническим диагнозом, по-видимому, наблюдаются разные биологические подтипы, продолжает Фогель. Способ группировки пациентов, используемый в модели, «не всегда будет идеально соответствовать диагнозу, поставленному врачами, но он говорит нам кое-что… [а именно], что есть люди, которые, возможно, имеют схожий биологический профиль, но симптомы могут проявляться по-разному».

Известно, что у членов одной семьи может быть одна и та же генетическая мутация, при которой у одного человека развивается БАС, а у другого — лобно-височная деменция, приводит он в качестве примера. «Вопрос в том, какая информация более важна — симптомы или биологический профиль».

При выборе метода лечения врачи, вероятно, захотят узнать биологические особенности пациента. Но если речь идёт о поведенческой терапии, им также может потребоваться больше информации о симптомах. Это «разные понятия, и оба они важны для поиска терапевтических средств и ведения пациентов», — говорит Фогель.

Отсутствующие данные

В идеальном мире, как его представляет Фогель, диагностика множества заболеваний будет происходить с помощью анализа крови. «Мы еще не совсем достигли этого, по крайней мере, с этой версией плазменной протеомики».

Хотя модель ProtAIDe-Dx тесно коррелирует со многими аспектами различных заболеваний, она еще не достигла того уровня, когда ее можно использовать в одиночку для постановки окончательного диагноза. Однако добавление результатов работы модели к информации о биомаркерах болезни Альцгеймера, данным визуализационных исследований и когнитивным тестам должно значительно улучшить ситуацию.

«Если использовать очень строгие пороговые значения для этих протеомных данных, можно также получить достаточно уверенный биологический диагноз», — добавляет он. Проблема в том, что диагноз будет неопределенным для всех, кроме 10–20% людей.

«Не хватает данных», — говорит Фогель, проводя параллель с многолетним процессом разработки анализа крови на болезнь Альцгеймера, который продвигался с перебоями. Технология аффинности SomaLogic предоставляет лишь один из способов изучения белка. Другие способы изучения доступны с помощью методов анализа с использованием ближнего действия (например, Olink Proteomics), которые используют секвенирование нового поколения для идентификации и количественного определения белков, а также масс-спектрометрии, которая предлагает значительно более широкий и подробный спектр пептидов, фрагментов и посттрансляционных модификаций. Внеклеточные везикулы, выделяемые из мозга и обнаруживаемые в крови, также являются многообещающими неинвазивными биомаркерами для ранней диагностики нейродегенеративных заболеваний.

«Используемые нами подходы на основе ИИ великолепны, потому что они позволяют найти иголку в стоге сена и объединить информацию таким образом, который человек с помощью электронных таблиц просто никогда не смог бы сделать», — говорит он. «Просто нужно продолжать генерировать большие объемы данных и анализировать их… пока мы не найдем то, что нам нужно».

На этом этапе начнётся работа по сужению списка белков-кандидатов до минимально возможного количества без потери диагностической ценности, говорит Фогель. Это позволит масштабировать тест, снизив его стоимость, упростив воспроизведение и контроль качества.

«Если у вас есть что-то невероятно точное, люди будут этим пользоваться в любом случае», — говорит он. Если тест пользуется высоким спросом, цена в конечном итоге снизится по мере корректировки предложения. Цель состоит в том, чтобы получить максимальную клиническую пользу при минимальных накладных расходах.

Панели биомаркеров

Долгосрочная цель здесь – разработка единого анализа крови для диагностики нескольких нейродегенеративных заболеваний. «Нельзя недооценивать важность биомаркеров в наших поисках методов лечения и ведении пациентов», – говорит Фогель. «Когда у вас есть заболевание, возникает сильное чувство облегчения, когда кто-то говорит: «Я точно знаю, что у вас…» Это открывает перед пациентами мир возможностей, недоступных им, если они не знают о своем заболевании».

По его словам, на протяжении многих лет одной из главных проблем в поиске методов лечения болезни Альцгеймера было то, что многие люди, участвовавшие в клинических испытаниях, на самом деле не страдали этим заболеванием, поскольку не существовало биомаркеров для его диагностики. «С появлением биомаркеров все аспекты исследований и лечения деменции улучшились», включая отслеживание прогрессирования заболевания и реакции на лекарства.

В клинических исследованиях все чаще используются биомаркеры для повышения точности диагностики отдельных заболеваний. В частности, это касается болезни Паркинсона, где, по словам Фогеля, измеряется уровень альфа-синуклеина в спинномозговой жидкости.

В последнее время появились биомаркеры для 4R-тауопатий — группы нейродегенеративных заболеваний, характеризующихся патологическим накоплением четырехповторной изоформы тау-белка в головном мозге, — которые часто проявляются в виде атипичного паркинсонизма. Протеомный анализ также выявляет белки, тесно связанные с прогрессированием когнитивных нарушений на основе повреждения синапсов.

Всё это указывает на возможность создания панелей биомаркеров в какой-то момент. «За последние пару лет в этой области был достигнут превосходный прогресс», — говорит Фогель, который надеется вывести на рынок многофункциональный диагностический тест гораздо раньше, чем на десятилетие или более, на которые он когда-то рассчитывал.

Предстоящая работа

По словам Фогеля и его команды, одним из основных направлений работы лаборатории мультиомиксных исследований деменции и нейровизуализации является сотрудничество с коллегами для лучшего понимания гетерогенности нейродегенеративных заболеваний и того, как это влияет на эффективность лечения. Модель ProtAIDe-Dx также может найти применение в клинических испытаниях, проводимых в рамках сети World-Wide FINGERS, основанной на знаменательном финском исследовании гериатрической интервенции для предотвращения когнитивных нарушений и инвалидности, демонстрирующем, что одновременные изменения образа жизни могут улучшить когнитивные функции у пожилых людей из группы риска.

Сложность анализируемых данных легко недооценить, говорит Ан, который познакомился с проектами по прецизионной медицине в области клинической протеомики в лаборатории Фогеля. Он подчеркивает, что сложные, многомерные данные требуют применения передовых, специализированных вычислительных методов для получения интересных результатов, которые можно подтвердить и использовать в целях поддержки прецизионной медицины.

«В том, что мы изучаем, присутствует огромное разнообразие, и, когда все это объединяется, становится очень сложно сделать какие-либо выводы», — говорит Фогель. «[Исследователи] все знают, что чем больше данных, тем больше вероятность найти истину, но было бы проще… если бы у нас была лучшая гармонизация и стандартизация. Вероятно, нам просто нужно больше работать вместе и… объединять наши данные [заранее]».

Источник: www.bio-itworld.com